CN116667325A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN116667325A CN116667325A CN202310616030.4A CN202310616030A CN116667325A CN 116667325 A CN116667325 A CN 116667325A CN 202310616030 A CN202310616030 A CN 202310616030A CN 116667325 A CN116667325 A CN 116667325A
- Authority
- CN
- China
- Prior art keywords
- grid
- micro
- fitness value
- cost
- optimal
- 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
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 81
- 241000544061 Cuculus canorus Species 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000005457 optimization Methods 0.000 title claims abstract description 28
- 235000005770 birds nest Nutrition 0.000 claims description 83
- 235000005765 wild carrot Nutrition 0.000 claims description 83
- 230000006870 function Effects 0.000 claims description 51
- 239000000446 fuel Substances 0.000 claims description 35
- 239000007789 gas Substances 0.000 claims description 29
- 101150067055 minC gene Proteins 0.000 claims description 23
- 230000000739 chaotic effect Effects 0.000 claims description 18
- 239000003344 environmental pollutant Substances 0.000 claims description 18
- 231100000719 pollutant Toxicity 0.000 claims description 18
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 15
- 230000003993 interaction Effects 0.000 claims description 14
- 238000003912 environmental pollution Methods 0.000 claims description 13
- 230000005012 migration Effects 0.000 claims description 13
- 238000013508 migration Methods 0.000 claims description 13
- 230000003247 decreasing effect Effects 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 11
- 238000010248 power generation Methods 0.000 claims description 11
- 239000002131 composite material Substances 0.000 claims description 7
- 238000012423 maintenance Methods 0.000 claims description 7
- 239000003345 natural gas Substances 0.000 claims description 7
- 230000005611 electricity Effects 0.000 claims description 6
- 230000009194 climbing Effects 0.000 claims description 5
- 238000004146 energy storage Methods 0.000 claims description 5
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 claims description 4
- 239000000356 contaminant Substances 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000010438 heat treatment Methods 0.000 claims description 3
- 230000003094 perturbing effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 9
- 230000007613 environmental effect Effects 0.000 description 5
- 230000006978 adaptation Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000007599 discharging Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000010845 search algorithm Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 241000254158 Lampyridae Species 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
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
- H02J3/007—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
-
- 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
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/08—Computing arrangements based on specific mathematical models using chaos models or non-linear system models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Pure & Applied Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Computational Linguistics (AREA)
- Power Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- Biodiversity & Conservation Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Educational Administration (AREA)
Abstract
本发明公开了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,涉及电网调度技术领域,针对并网运行微电网调度系统中多种分布式电源系统的各项参数,根据微电网并网约束条件和各项参数建立最终目标函数,在同时满足微电网并网系统功率平衡约束及各个分布式电源机组输出上下限条件下采用改进布谷鸟算法,对微电网并网运行系统的最终目标函数进行求解,获得微电网运行成本和环境处理成本最优的方案,实现最优调度。本发明优化了微电网并网运行调度方案,提高了调度策略的准确性。
Description
技术领域
本发明涉及电网调度技术领域,更具体的说是涉及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。
背景技术
随着工业的快速发展,传统化石资源逐渐枯竭,能源和环境问题愈发严重,风能、太阳能等新型能源的开发利用逐渐替代传统大规模火力发电。然而清洁能源出力的不可控性和间歇性时刻威胁着电力系统的安全稳定运行,同时在风光高渗透率地区及偏远地区存在供电困难等问题。微电网是由分布式电源(Distributed Generation,DG)、储能电池及负荷组成的综合能源系统,因其能有效消纳风光波动,且具有供电灵活、安全可靠、污染小等优点引起国内外学者广泛关注。微电网经济调度考虑了运行成本的目标,同时也考虑了污染排放量这个目标,旨在满足约束条件和电力与热量需求的情况下,使得运行成本和污染排放达到最小。微电网优化调度是复杂高维的非线性问题,传统数学方法难以求得精确解,因此微电网调度问题多采用元启发智能算法求解。但目前启发算法求解微电网仍存在求解精度较差、只考虑运行成本而不考虑污染治理成本的问题。
布谷鸟搜索算法(Cuckoo Search algorithm,CS)适用于求解微电网优化问题,布谷鸟算法通过产生候选种群、择优选择和随机迁移三个基本过程实现布谷鸟寻找鸟巢的仿生过程。算法中布谷鸟飞行线路和鸟巢位置通过下式产生:
分别指第i个鸟巢的第t+1、t代位置向量,L为Levy随机飞行路径。标准布谷鸟算法一般取步长控制因子α=0.01。Levy随机飞行搜索路径和Φ计算公式分别如下所示。u和v为标准正态随机分布变量,Γ为Gamma函数;β为Levy飞行控制因子。
基本布谷鸟算法步骤为:S1、确认目标函数,初始化参数,计算最优鸟巢位置和最优解;S2、进行Levy全局搜索,计算当前适应度值,通过位置更新公式与上一代鸟巢位置进行对比并舍弃较差值;S3、用随机数R∈(0,1)与鸟巢被发现概率Pa进行比较;S4、若R>Pa,则进行局部搜索产生等量新解,否则保留当前鸟巢及适应度值;S5、更新保存最优鸟巢及适应度值;S6、判断是否达到停止迭代的条件,若不是则返回S2,若是则输出计算结果。该算法具有鲁棒性高、参数设置少、适用范围广等优点,研究结果证明布谷鸟搜索算法比遗传算法、萤火虫算法、粒子群算法具有更高寻优性能,但仍存在对部分多极值函数进行优化时易陷入局部最优而导致收敛精度差等问题。
因此,如何优化微电网的并网运行调度是本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明提供了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,获得运行成本和污染排放最优的调度方案。
为了实现上述目的,本发明采用如下技术方案:
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,包括以下步骤:
步骤1:获取并网运行的微电网优化调度系统的各项参数;
各项参数为计算各机组最佳输出功率所必须得运行输入参数,包括:风力发电机额定功率、切入风速、切出风速、额定风速等参数设置、运行维护成本、光伏发电中电池转换效率、光伏电池板面积、光照辐射强度、运行维护成本、燃气轮机因计算输出功率和燃烧成本所需要的运行功率上下限、机组功率爬坡约束、天然气单价、天然气低热值、机组启停成本、运行维护成本、燃料电池因计算输出功率和燃烧成本所需要的运行功率上下限、机组功率爬坡约束、天然气单价、天然气低热值、机组启停成本、运行维护成本、蓄电池充电放电效率、荷电状态上下限、污染物处理相关系数;
步骤2:根据微电网并网约束条件和各项参数建立微电网优化调度系统的最终目标函数;
步骤3:采用改进布谷鸟算法对最终目标函数进行求解,获得微电网最佳输出功率,根据微电网最佳输出功率制定调度策略;
将统计参数混沌映射初始化、动态自适应步长因子策略引入布谷鸟算法的全局位置;将动态惯性权重策略及逐维扰动反向学习引入布谷鸟算法;引入了动态发现概率以平衡全局搜索和局部搜索切换频率;
其中,改进布谷鸟算法步骤为:
步骤31:采用将Sine映射和分段线性混沌映射结合的SPM复合混沌映射初始化种群,令种群更均匀,计算每个鸟巢的适应度值,每个适应度值对应一组最终目标函数的解,并记录最优的适应度值对应的解,并初始化迭代次数;
适应度值与目标函数反比,最终目标函数越小即综合成本越小,适应度值越大,最大的适应度值即为最优的适应度值;通过比较各个鸟巢适应度值来选取当前最优解,即选出系统当前最优输出功率安排;
最优解为每个鸟巢计算得到的微电网综合经济运行成本及污染处理成本之和建立的最终目标函数涉及的综合成本最佳的各机组输出功率;
步骤32:根据动态Levy变步长策略进行全局搜索,对鸟巢进行更新,计算每个鸟巢的当前适应度值,并从当前适应度值中选择当前最优适应度值与步骤31中的最优适应度值对比,,选取最优的适应度值及对应的解;
采用适应度函数计算每个鸟巢的适配值即适应度值,适应度值是个体在种群生存的优势程度度量,用于区分个体的“好与坏”。通过适应度值的“好与坏”来判定算法求得的解的“好与坏”;适应度值越大则个体越优越,求最终目标函数最小值时,目标值最小,则适应度值越大,求最终目标函数最大值时,目标值越大,适应度值越大;
进一步计算得到的当前适应度值,并非一定比之前的适应度值要好,通过与步骤31对比,选出更为合适的当前适应度值和当前最优解,最优解为系统目前各个发电机组最佳输出功率安排;
步骤33:采用动态自适应发现概率策略调整发现概率,获得动态发现概率Pa,以平衡全局搜索和局部搜索的能力;
步骤34:用random函数生成随机数R∈(0,1)与鸟巢的动态发现概率Pa进行比较;若R>Pa,根据改进局部偏好游走策略进行局部搜索,对鸟巢进行更新,计算当前适应度值;否则,保留当前鸟巢及适应度值;并从当前鸟巢的适应度值中选择最优的适应度值与步骤32中最优的适应度值进行对比,选取出最优的适应度值及对应的解;
改进局部偏好游走策略是在传统布谷鸟算法的局部偏好游走策略基础上加入指数递减惯性权重及自适应缩放因子,使算法局部寻优能力得到改进,达到更能寻找到各机组的最佳输出功率的效果;
步骤35:从当前鸟巢的适应度值中选择最差适应度值,利用最差适应度值对应的解对最优的适应度值对应的解进行扰动并反向学习,对最优适应度值对应的最优鸟巢进行更新,计算最优鸟巢的当前适应度值,并与步骤34所有鸟巢的适应度值进行对比,选取出最优适应度值及对应的最优解;
经最优的适应度值对应的解的每一维与最差适应度值对应的解的每一维相乘,实现对最优解的扰动,并进行反向学习实现对最优解对应的最优鸟巢的更新;解的每一维即t的每个取值对应上述分布式电源中各机组输出功率中的一个输出功率,各机组输出功率包括燃气轮机功率、燃料电池功率、蓄电池功率、电网交互功率等;
步骤36:如果当前迭代次数等于设定的最大迭代次数,或者满足预设的求解精度,则停止迭代并进入步骤37,否则令当前迭代次数加1,并返回步骤32;
步骤37:将步骤35中选择的最优解包括各机组输出功率,作为微电网最佳输出功率。
最终目标函数根据微电网最佳输出功率计算获得最小综合成本,采用改进布谷鸟算法寻优最终目标函数的解,达到最终目标函数对应的综合成本最小。最终得到燃料电池、蓄电池、燃气轮机、交互功率等由改进算法求解得出的各个机组的最佳输出功率,即得到日前计划内最优调度策略。
上述技术方案的技术效果,改进布谷鸟算法将统计参数混沌映射初始化、动态自适应步长因子策略引入布谷鸟算法的全局位置,增加鸟巢初始化的多样性和灵活性,提高全局搜索能力;将动态惯性权重策略及逐维扰动反向学习引入布谷鸟算法,极大提高了算法局部搜索能力;引入了动态发现概率以平衡全局搜索和局部搜索切换频率。在同时满足用电负荷需求和非线性约束条件下采用改进布谷鸟算法获得微电网运行成本和环境处理成本最优的方案。
优选的,所述步骤2中微电网并网约束条件包含微电网功率平衡约束、分布式电源输出功率约束、微电网与主网交互功率约束、微型燃气轮机爬坡约束及储能蓄电池约束。微电网功率平衡约束为微电网并网系统理论上应在任意时刻满足的功率平衡约束。求解最终目标函数,得到约束条件运行允许范围内各个机组最佳输出功率。
优选的,步骤2中最终目标函数采用加权和法获得,所述最终目标函数为根据分布式电源并网经济运行成本目标函数和环境污染处理成本目标函数,采用加权和法获得最终目标函数,最终目标函数minC表示为:
minC=minC1,COST+minC2,COST
其中,minC1,COST和minC2,COST分别表示分布式电源并网经济运行成本和环境污染处理成本。
优选的,所述分布式电源并网经济运行成本的目标函数为:
minC1,COST=min(CFC(t)+CMT(t)+COM(t)+Cgrid,1(t))
其中,CMT(t)为微型燃气轮机在t时刻的燃料成本;CFC(t)为燃料电池在t时刻的燃料成本;COM(t)为t时刻系统中各机组的运行维护成本,包括微型燃气轮机、燃料电池、光伏发电机组、风力发电机组运行产生维护费用;Cgrid,1(t)为电网交互成本;KOM,i为第i种分布式电源运行维护系数;Pi(t)为t时刻第i种分布式电源输出功率;Cbuy(t)、Csell(t)分别为t时刻购买电价、出售电价;Pbuy(t)、Psell(t)分别为t时刻购买电功率、出售电功率;
微型燃气轮机在t时刻的燃料成本表示为:
其中,C为天然气单价;LHV为天然气低热值;PMT(t)为微型燃气轮机在t时刻的输出功率;ηMT(t)为微型燃气轮机发电效率;
燃料电池在t时刻的燃料成本表示为:
ηFC(t)=-0.0023PFC(t)+0.6735
其中,PFC(t)为燃料电池在t时刻的输出功率,ηFC(t)为燃料电池发电效率。
优选的,所述环境污染处理成本的目标函数表示为:
minC2,COST=min(CDG(t)+Cgrid,2(t))
其中,αi为第i种污染物单位处理成本,污染物包括SO2、NOx和CO;βFC、βMT、βgrid分别为燃料电池污染物排放系数、微型燃气轮机污染物排放系数、微电网并网污染物排放系数;CDG(t)为分布式电源环境污染处理成本总和;Cgrid,2(t)为微电网并网环境污染处理成本总和;Pgrid(t)为微电网与主网的交互功率。
优选的,所述步骤3的S1中采用SPM复合混沌映射初始化种群,其公式为:
其中,混沌随机扰动参数r∈(0,1),η∈(0,1),μ∈(0,1);分别指第i个鸟巢的第t+1、t维鸟巢位置。
优选的,步骤32中动态Levy变步长策略是将传统固定步长因子改进为非线性递减动态自适应步长因子,其公式为:
α′=0.001×Max_iter×exp(-(N_iter/Max_iter))
其中,分别指第i个鸟巢的第t+1、t维鸟巢位置;N_iter表示当前迭代次数;Max_iter表示最大迭代次数;α′为改进的变步长控制因子;L为Levy随机飞行路径;u和v为标准正态随机分布变量;β为Levy飞行控制因子;Φ为动态Levy变步长策略中的代指参数,为原始算法中levy飞行全局寻优过程公式中的一个代指参数;Γ为Gamma函数,其概率分布的方差与均值均是无界的。
优选的,步骤33中采用动态自适应发现概率策略对布谷鸟算法的发现概率进行动态自适应调整获得动态发现概率Pa;动态发现概率Pa能随迭代次数自适应切换局部搜索和全局搜索状态,动态发现概率Pa的表达公式为:
Pa=Pamax-(Pamax-Pamin)×(N_iter/Max_iter)
其中,Pamin为最小发现概率Pa;Pamax为最大发现概率;N_iter表示当前迭代次数;Max_iter表示最大迭代次数。
优选的,步骤34中改进局部偏好游走策略是在布谷鸟算法的偏好游走策略中添加指数递减惯性权重和自适应缩放因子,对鸟巢进行更新;
具体的通过在上一代鸟巢中加入非线性的指数递减惯性权重ω,令寻优过程中能避免过于依赖上一代最优鸟巢信息,从而使算法更具有跳出局部最优的能力,同时将布谷鸟算法中局部位置更新公式中属于(0,1)的随机数R改进为随迭代次数动态递减的自适应缩放因子1/N_iter,其公式为:
ω=ω1-(ω1-ω2)*exp(-λ*(N_iter/Max_iter)Q)
其中,分别指第i个鸟巢的第t+1、t维鸟巢位置;/>分别为第m、n个鸟巢在第t维迭代中的鸟巢位置,m、n为i个鸟巢中的任意两个鸟巢,m、n∈i;λ、Q分别为惯性系数;ω1和ω2分别为惯性权重参数。
上述技术方案的技术效果为,传统的布谷鸟算法中发现概率影响搜索范围、收敛速度和搜索精度,而布谷鸟算法采用固定发现概率不利于动态平衡算法的局部搜索和全局搜索,对布谷鸟算法的发现概率Pa进行动态自适应调整,改进后动态发现概率Pa取值随迭代次数增加呈动态递减趋势,因此在搜索前期Pa较大,增强全局搜索能力;在搜索后期Pa较小,增强局部搜索能力。动态发现概率Pa能随迭代次数自适应切换局部搜索和全局搜索状态,因此该策略能有效提高算法寻优效率和精度。
优选的,步骤35中在基础反向学习过程中引进最差适应度值对应的解对最优的适应度值对应的解进行扰动并反向学习,改进了原有标准算法中的丢弃最差解策略,充分融合当前鸟巢信息,可避免算法陷入局部最优,其公式为:
其中,分别为第i个鸟巢在第t+1、t维迭代中的鸟巢位置;/> 为第i个鸟巢在第t维的上限和下限;/>为第i个鸟巢在第t维更新中最差适应度值。
经由上述的技术方案可知,与现有技术相比,本发明公开提供了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,针对并网运行微电网调度系统中多种分布式电源系统的各项参数,建立基于运行成本和环境处理成本的最终目标函数,在同时满足微电网并网系统功率平衡约束及各个分布式电源机组输出上下限条件下采用改进布谷鸟算法,对微电网并网运行系统的最终目标函数进行求解,获得微电网运行成本和环境处理成本最优的方案,实现最优调度。改进的布谷鸟算法为基于统计参数混沌映射的维间反向学习动态布谷鸟算法,显著提高了算法的收敛精度及搜索性能,具有收敛速度快,搜索精度高的特点,在解决微电网并网运行优化调度问题时,也能获得良好的调度结果。
本发明建立了微电网并网运行经济性和环保性的优化调度模型,将改进的布谷鸟算法应用于求解微电网并网模式下的多目标优化调度问题,验证算法和模型的有效性及优越性,优化微电网并网运行调度方案,提高调度策略的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1附图为本发明提供的基于改进布谷鸟算法的微电网并网运行优化调度流程图;
图2附图为本发明提供的改进布谷鸟算法流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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。
本发明实施例公开了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,如图1所示,包括针对并网运行的微电网优化调度系统,采集多种分布式电源系统的各项参数,建立基于运行成本和环境处理成本的最终目标函数,在同时满足微电网并网系统功率平衡约束及各个分布式电源机组输出上下限条件下采用改进布谷鸟算法,对微电网并网运行系统的最终目标函数进行求解,具体算法如下:
S1:输入并网运行的微电网优化调度系统的各项参数;
S2:根据各项参数建立基于微电网并网运行模式下,满足微电网并网约束条件的优化调度分布式电源并网经济运行成本和环境污染处理成本的最终目标函数;
S21:最终目标函数采用加权和法获得,其中最终目标函数minC为:
minC1,COST=min(CFC(t)+CMT(t)+COM(t)+Cgrid,1(t))
其中,minC1,COST和minC2,COST分别表示为分布式电源并网经济运行成本和环境污染处理成本;CFC(t)为燃料电池在t时刻的燃料成本;CMT(t)为微型燃气轮机在t时刻的燃料成本;COM(t)为t时刻系统中各机组的运行维护成本;Cgrid,1(t)为电网交互成本;KOM,i为第i种分布式电源运行维护系数;Pi(t)为t时刻第i种分布式电源输出功率;Cbuy(t)、Csell(t)分别为t时刻购买电价、出售电价;Pbuy(t)、Psell(t)分别为t时刻购买电功率、出售电功率;
微型燃气轮机在t时刻的燃料成本表示为:
其中,C为天然气单价;LHV为天然气低热值;PMT(t)为微型燃气轮机在t时刻的输出功率;ηMT(t)为微型燃气轮机发电效率;
燃料电池在t时刻的燃料成本表示为:
ηFC(t)=-0.0023PFC(t)+0.6735
其中,PFC(t)为燃料电池在t时刻的输出功率,ηFC(t)为燃料电池发电效率;
太阳能光伏发电模型:
PPV(t)=ηPVSδ
其中,PPV(t)为光伏发电输出功率,ηPV为光伏电池转换效率,S为光伏电池板面积,δ为光照辐射强度;
风力发电机模型:
其中,PWT为风力发电机输出功率;PN为风力发电机额定功率;a、b、c、d为风速参数设置;vci、vn、vco分别表示切入风速、额定风速及切出风速;
蓄电池充放电模型:
ESB(t+1)=ESB(t)-ηCPSB(t)Δt
其中,ESB(t+1)、ESB(t)分别为蓄电池在t+1、t时刻储能容量;SOC(t+1)表示蓄电池存储容量充电、放电过程;PSB(t)<0、PSB(t)>0分别为蓄电池t时刻充电、放电功率;ηC、ηD分别为充电效率、放电效率;Δt为时间间隔;SOC(t+1)、SOC(t)分别为储能系统在t+1、t时刻的荷电状态。
所述环境污染处理成本的目标函数表示为:
minC2,COST=min(CDG(t)+Cgrid,2(t))
其中,αi为第i种污染物单位处理成本,污染物为SO2、NOx、CO;βFC、βMT、βgrid分别为燃料电池污染物排放系数、微型燃气轮机污染物排放系数、微电网并网污染物排放系数;CDG(t)为分布式电源环境污染处理成本总和;Cgrid,2(t)为微电网并网环境污染处理成本总和;Pgrid(t)为微电网与主网的交互功率;
S22:微电网并网约束条件包含微电网功率平衡约束、分布式电源输出功率约束、微电网与主网交互功率约束、微型燃气轮机爬坡约束及储能蓄电池约束;
微电网功率平衡约束:
PL(t)=PPV(t)+PFC(t)+PMT(t)+PWT(t)+PSB(t)+Pgrid(t)
其中,PL(t)为微电网需求负荷功率,PPV(t)为光伏发电输出功率,PFC(t)为燃料电池输出功率,PMT(t)为微型燃气轮机输出功率,PWT(t)为风力发电机输出功率,PSB(t)为蓄电池充放电功率,Pgrid(t)为微电网与主网的交互功率;
分布式电源输出功率约束为:
其中,为第i种分布式电源有功功率下限和上限;
微电网与主网交互功率约束:
其中,表示微电网向主网系统提供功率,/>表示主网系统向微电网提供功率;
微型燃气轮机爬坡约束:
Pi,t-1-Pi,t≤Rmt_down×T
Pi,t-Pi,t-1≤Rmt_up×T
其中,Rmt_down、Rmt_up分别为微型燃气轮机输出功率的最小爬坡率和最大爬坡率,T为一个调度周期;
蓄电池约束:
SOCmin(t)≤SOC(t)≤SOCmax(t)
其中,分别为t时刻蓄电池容量约束下限和上限;SOCmin(t)、SOCmax(t)分别为t时刻蓄电池容量下限和上限;/>为蓄电池输出功率;γ为调度时间段;
S23:在同时满足微电网并网系统功率平衡约束及各个分布式电源机组输出上下限条件下,其中所述最终目标函数minC为:
minC=minC1,COST+minC2,COST;
其中,minC1,COST和minC2,COST分别表示分布式电源并网经济运行成本和环境污染处理成本。
S3:采用改进布谷鸟算法,对微电网并网模式优化调度系统的最终目标函数进行求解;改进之后的布谷鸟优化算法如图2所示,首先,将统计参数混沌映射初始化、动态自适应步长因子策略引入布谷鸟算法的全局位置,增加鸟巢初始化的多样性和灵活性,提高全局搜索能力;其次,将指数递减惯性权重策略及逐维扰动反向学习引入布谷鸟算法,极大提高了算法局部搜索能力;最后,引入了动态发现概率以平衡全局搜索和局部搜索切换频率;
其中,改进布谷鸟算法步骤为:
S31:采用将Sine映射和分段线性混沌映射(piece wise linear chaotic map,PWLCM)结合的SPM复合混沌映射初始化种群,计算每个鸟巢的适应度值并记录最优解;
采用SPM复合混沌映射初始化种群,其公式为:
其中,混沌随机扰动参数r∈(0,1),η∈(0,1),μ∈(0,1);分别指第i个鸟巢的第t+1、t维鸟巢位置;
初始化设置搜索种群为30个,因此有30个不同的适应度值,每个适应度值都会对应微电网系统里的一组解,解是多维度的,每一维代表一个输出功率;通过比较各个鸟巢适应度值来选取当前最优解,即选出系统当前最优输出功率安排,当前最优适应度值对应当前最优解;
S32:根据动态Levy变步长策略进行全局搜索,计算当前适应度值,并与S31中的适应度值作对比并取最优;
将传统固定步长因子改进为非线性递减动态自适应步长因子,其公式为:
α′=0.001×Max_iter×exp(-(N_iter/Max_iter))
其中,N_iter表示当前迭代次数,Max_iter表示最大迭代次数;α′为改进的变步长控制因子;L为Levy随机飞行路径;u和v为标准正态随机分布变量;β为Levy飞行控制因子;Γ为Gamma函数,其概率分布的方差与均值均是无界的;Φ为原始算法中levy飞行全局寻优过程公式中的一个代指参数;
S33:采用动态自适应发现概率Pa策略,以平衡全局搜索和局部搜索的能力;
对布谷鸟算法的发现概率Pa进行动态自适应调整,动态发现概率Pa能随迭代次数自适应切换局部搜索和全局搜索状态,其公式为:
Pa=Pamax-(Pamax-Pamin)×(N_iter/Max_iter)
其中,Pamin为最小发现概率,Pamax为最大发现概率;
S34:用random函数生成的随机数R∈(0,1)与鸟巢被发现概率Pa进行比较,若R>Pa,根据改进局部偏好游走策略进行鸟巢更新,否则保留当前鸟巢及适应度值;改进局部偏好游走策略是在布谷鸟算法的偏好游走策略中加入指数递减惯性权重及自适应缩放因子;
改进局部偏好游走策略通过在上一代鸟巢中加入非线性惯性权重因子,寻优过程中能避免过于依赖上一代最优鸟巢信息,从而使算法更具有跳出局部最优的能力,同时将原算法中局部位置更新公式中属于(0,1)的随机数改进为随迭代次数动态递减的1/N_iter,其公式为:
ω=ω1-(ω1-ω2)*exp(-λ*(N_iter/Max_iter)Q)
其中,分别为第m、n个鸟巢在第t维迭代中的鸟巢位置,m、n为鸟巢i中的任意两个鸟巢(m、n∈i);λ、Q为惯性系数;
S35:从当前鸟巢的适应度值中选择最差适应度值,将最差适应度值对应的解对最优的适应度值对应的解进行扰动并反向学习;每一维即t的每个取值对应上述分布式电源中各机组输出功率中的一个输出功率,各机组输出功率包括燃气轮机功率、燃料电池功率、蓄电池功率、电网交互功率等;
在基础反向学习过程中引进最差适应度值中每一维对应的解,改进了原有标准算法中的丢弃最差解策略,充分融合当前鸟巢信息,可避免算法陷入局部最优,其公式为:
其中,分别为第i个鸟巢在第t+1、t维迭代中的鸟巢位置;/> 为第i个鸟巢在第t维的上限和下限;/>为第i个鸟巢在第t维更新中最差适应度值;
S36:更新保存最优鸟巢及适应度值;鸟巢个数i为30,每个鸟巢都能计算出96个(维)分布式电源输出功率,而令微电网优化调度系统达到综合成本最小的鸟巢即最优鸟巢;
S37:判断当前迭代次数是否大于最大迭代次数或满足求解精度,若满足要求则停止,否则,返回S32重复迭代循环。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于改进布谷鸟算法的微电网并网运行优化调度方法,其特征在于,包括以下步骤:
步骤1:获取并网运行的微电网优化调度系统的各项参数;
步骤2:根据微电网并网约束条件和各项参数建立微电网优化调度系统的最终目标函数;
步骤3:采用改进布谷鸟算法对最终目标函数进行求解,获得微电网最佳输出功率,根据微电网最佳输出功率制定调度策略;
步骤31:采用SPM复合混沌映射初始化种群,计算每个鸟巢的适应度值,每个适应度值对应一组解,选取最优的适应度值;
步骤32:根据动态Levy变步长策略进行全局搜索,对鸟巢进行更新,计算每个鸟巢的当前适应度值,并从当前适应度值中选择当前最优的适应度值与步骤31中的最优的适应度值对比,选取出最优的适应度值及对应的解;
步骤33:采用动态自适应发现概率策略调整发现概率,获得动态发现概率Pa;
步骤34:用random函数生成随机数R∈(0,1)与鸟巢的动态发现概率Pa进行比较;若R>Pa,根据改进局部偏好游走策略进行局部搜索,对鸟巢进行更新,计算当前适应度值;否则,保留当前鸟巢及适应度值;并从当前鸟巢的适应度值中选择最优的适应度值与步骤32中最优的适应度值进行对比,选取出最优的适应度值及对应的解;
步骤35:从当前鸟巢的适应度值中选择最差适应度值,利用最差适应度值对应的解对最优的适应度值对应的解进行扰动并反向学习,对最优适应度值对应的最优鸟巢进行更新,计算最优鸟巢的当前适应度值,并与步骤34所有鸟巢的适应度值进行对比,选取出最优适应度值及对应的最优解;
步骤36:如果当前迭代次数等于设定的最大迭代次数,或满足预设的求解精度,则停止迭代并进入步骤37,否则,返回步骤32。
步骤37:将步骤35中选择的最优解包括各机组输出功率,作为微电网最佳输出功率。
2.根据权利要求1所述的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,其特征在于,步骤2中采用加权和法建立最终目标函数,最终目标函数包括分布式电源并网经济运行成本的目标函数和环境污染处理成本的目标函数,最终目标函数minC表示为:
minC=minC1,COST+minC2,COST
其中,minC1,COST和minC2,COST分别表示分布式电源并网经济运行成本的目标函数和环境污染处理成本的目标函数。
3.根据权利要求2所述的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,其特征在于,分布式电源并网经济运行成本的目标函数为:
minC1,COST=min(CFC(t)+CMT(t)+COM(t)+Cgrid,1(t))
其中,CMT(t)为微型燃气轮机在t时刻的燃料成本;CFC(t)为燃料电池在t时刻的燃料成本;COM(t)为t时刻系统中各机组的运行维护成本;Cgrid,1(t)为电网交互成本;KOM,i为第i种分布式电源运行维护系数;Pi(t)为t时刻第i种分布式电源输出功率;Cbuy(t)、Csell(t)分别为t时刻购买电价、出售电价;Pbuy(t)、Psell(t)分别为t时刻购买电功率、出售电功率;
微型燃气轮机在t时刻的燃料成本表示为:
其中,C为天然气单价;LHV为天然气低热值;PMT(t)为微型燃气轮机在t时刻的输出功率;ηMT(t)为微型燃气轮机发电效率;
燃料电池在t时刻的燃料成本表示为:
ηFC(t)=-0.0023PFC(t)+0.6735
其中,PFC(t)为燃料电池在t时刻的输出功率,ηFC(t)为燃料电池发电效率。
4.根据权利要求2所述的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,其特征在于,所述环境污染处理成本的目标函数表示为:
minC2,COST=min(CDG(t)+Cgrid,2(t))
其中,αi为第i种污染物单位处理成本,污染物包括SO2、NOx和CO;βFC、βMT、βgrid分别为燃料电池污染物排放系数、微型燃气轮机污染物排放系数、微电网并网污染物排放系数;CDG(t)为分布式电源环境污染处理成本总和;Cgrid,2(t)为微电网并网环境污染处理成本总和;Pgrid(t)为微电网与主网的交互功率。
5.根据权利要求1所述的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,其特征在于,所述步骤2中微电网并网约束条件包含微电网功率平衡约束、分布式电源输出功率约束、微电网与主网交互功率约束、微型燃气轮机爬坡约束及储能蓄电池约束。
6.根据权利要求1所述的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,其特征在于,将Sine映射和分段线性混沌映射结合获得SPM复合混沌映射,步骤31中采用SPM复合混沌映射初始化种群,其公式为:
其中,混沌随机扰动参数r∈(0,1),η∈(0,1),μ∈(0,1);分别指第i个鸟巢的第t+1、t维鸟巢位置。
7.根据权利要求1所述的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,其特征在于,步骤32中动态Levy变步长策略是将固定步长因子改进为非线性递减动态自适应步长因子,其公式为:
α′=0.001×Max_iter×exp(-(N_iter/Max_iter))
其中,分别指第i个鸟巢的第t+1、t维鸟巢位置;N_iter表示当前迭代次数;Max_iter表示最大迭代次数;α′为改进的变步长控制因子;L为Levy随机飞行路径;u和v为标准正态随机分布变量;Γ为Gamma函数;β为Levy飞行控制因子;Φ为动态Levy变步长策略中的代指参数。
8.根据权利要求1所述的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,其特征在于,步骤33中采用动态自适应发现概率策略对布谷鸟算法的发现概率进行动态自适应调整获得动态发现概率Pa;动态发现概率Pa的表达公式为:
Pa=Pamax-(Pamax-Pamin)×(N_iter/Max_iter)
其中,Pamin为最小发现概率;Pamax为最大发现概率;N_iter表示当前迭代次数;Max_iter表示最大迭代次数。
9.根据权利要求1所述的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,其特征在于,步骤34中改进局部偏好游走策略是在布谷鸟算法的偏好游走策略中添加指数递减惯性权重和自适应缩放因子,对鸟巢进行更新,其公式为:
ω=ω1-(ω1-ω2)*exp(-λ*(N_iter/Max_iter)Q)
其中,分别指第i个鸟巢的第t+1、t维鸟巢位置;/>分别为第m、n个鸟巢在第t维迭代中的鸟巢位置,m、n∈i;λ、Q分别为惯性系数;ω1和ω2分别为惯性权重参数。
10.根据权利要求1所述的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,其特征在于,步骤35中将布谷鸟算法中丢弃最差解策略改为利用最差适应度值对应的解对最优的适应度值对应的解进行扰动并反向学习,其公式表示为:
其中,分别为第i个鸟巢在第t+1、t维鸟巢位置;/>为第i个鸟巢在第t维的上限和下限;/>为第i个鸟巢在第t维更新中最差适应度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310616030.4A CN116667325B (zh) | 2023-05-29 | 2023-05-29 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310616030.4A CN116667325B (zh) | 2023-05-29 | 2023-05-29 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116667325A true CN116667325A (zh) | 2023-08-29 |
CN116667325B CN116667325B (zh) | 2024-05-24 |
Family
ID=87714694
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310616030.4A Active CN116667325B (zh) | 2023-05-29 | 2023-05-29 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116667325B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117388643A (zh) * | 2023-12-11 | 2024-01-12 | 国网湖北省电力有限公司经济技术研究院 | 有源配电网故障区段的定位方法、系统、设备及存储介质 |
CN117557067A (zh) * | 2024-01-10 | 2024-02-13 | 缔索新能源科技发展有限公司 | 分布式能源协同优化系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170337646A1 (en) * | 2016-05-19 | 2017-11-23 | Hefei University Of Technology | Charging and discharging scheduling method for electric vehicles in microgrid under time-of-use price |
CN111160636A (zh) * | 2019-12-19 | 2020-05-15 | 广东工业大学 | 一种cchp型微电网调度优化方法 |
CN112068429A (zh) * | 2020-08-31 | 2020-12-11 | 五邑大学 | 基于sfcs算法的滑模控制器参数整定方法、装置及存储介质 |
CN114065649A (zh) * | 2021-11-25 | 2022-02-18 | 国网湖南省电力有限公司 | 一种配电变压器顶层油温短期预测方法及预测系统 |
CN115100864A (zh) * | 2022-06-24 | 2022-09-23 | 北京联合大学 | 一种基于改进麻雀搜索算法的交通信号控制优化方法 |
CN115331745A (zh) * | 2022-06-22 | 2022-11-11 | 国网浙江省电力有限公司嘉兴供电公司 | 基于历史数据校验的改进单粒子电化学模型建模方法 |
-
2023
- 2023-05-29 CN CN202310616030.4A patent/CN116667325B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170337646A1 (en) * | 2016-05-19 | 2017-11-23 | Hefei University Of Technology | Charging and discharging scheduling method for electric vehicles in microgrid under time-of-use price |
CN111160636A (zh) * | 2019-12-19 | 2020-05-15 | 广东工业大学 | 一种cchp型微电网调度优化方法 |
CN112068429A (zh) * | 2020-08-31 | 2020-12-11 | 五邑大学 | 基于sfcs算法的滑模控制器参数整定方法、装置及存储介质 |
CN114065649A (zh) * | 2021-11-25 | 2022-02-18 | 国网湖南省电力有限公司 | 一种配电变压器顶层油温短期预测方法及预测系统 |
CN115331745A (zh) * | 2022-06-22 | 2022-11-11 | 国网浙江省电力有限公司嘉兴供电公司 | 基于历史数据校验的改进单粒子电化学模型建模方法 |
CN115100864A (zh) * | 2022-06-24 | 2022-09-23 | 北京联合大学 | 一种基于改进麻雀搜索算法的交通信号控制优化方法 |
Non-Patent Citations (8)
Title |
---|
LUO W G, YU X B.: "Reinforcement learning-based modified cuckoo search algorithm for economic dispatch problems", KNOWLEDGE-BASED SYSTEMS, vol. 2022, no. 257 * |
任璐;李海洋;贺兴时;: "基于逐维改进的自适应步长布谷鸟搜索算法", 河北科技大学学报, no. 05 * |
李荣雨等: "自适应步长布谷鸟搜索算法", 计算机科学, vol. 44, no. 5, pages 235 - 240 * |
杨文荣: "分时电价机制下采用改进鸟群算法的微电网运行优化", 可再生能源, vol. 36, no. 7, pages 1046 - 1051 * |
谭卓然: "基于改进布谷鸟算法的海岛微电网优化调度", 中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑), vol. 2022, no. 3, pages 19 - 32 * |
郭福涛;何山;王维庆;王松;: "发电系统中微电网功率负荷优化调度研究", 计算机仿真, no. 09, 15 September 2018 (2018-09-15) * |
陈程等: "动态调整概率的双重布谷鸟搜索算法", 计算机科学与探索, vol. 15, no. 5, pages 859 - 880 * |
黄闽茗等: "基于逐维反向学习的动态适应布谷鸟算法", 计算机应用研究, vol. 37, no. 4, pages 1015 - 1019 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117388643A (zh) * | 2023-12-11 | 2024-01-12 | 国网湖北省电力有限公司经济技术研究院 | 有源配电网故障区段的定位方法、系统、设备及存储介质 |
CN117388643B (zh) * | 2023-12-11 | 2024-03-08 | 国网湖北省电力有限公司经济技术研究院 | 有源配电网故障区段的定位方法、系统、设备及存储介质 |
CN117557067A (zh) * | 2024-01-10 | 2024-02-13 | 缔索新能源科技发展有限公司 | 分布式能源协同优化系统 |
CN117557067B (zh) * | 2024-01-10 | 2024-04-02 | 缔索新能源科技发展有限公司 | 分布式能源协同优化系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116667325B (zh) | 2024-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Lifelong learning for complementary generation control of interconnected power grids with high-penetration renewables and EVs | |
Maleki et al. | Comparative study of artificial intelligence techniques for sizing of a hydrogen-based stand-alone photovoltaic/wind hybrid system | |
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 | |
CN105811409B (zh) | 一种含电动汽车混合储能系统的微网多目标运行调度方法 | |
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 | |
CN111934360B (zh) | 基于模型预测控制的虚拟电厂-储能系统能量协同优化调控方法 | |
CN111242388B (zh) | 一种考虑冷热电联供的微电网优化调度方法 | |
Kumar et al. | Biogeography based tuning of PID controllers for Load Frequency Control in microgrid | |
Gbadega et al. | Impact of incorporating disturbance prediction on the performance of energy management systems in micro-grid | |
CN112821470B (zh) | 基于小生境混沌粒子群算法的微网群优化调度策略 | |
Rouhani et al. | A comprehensive method for optimum sizing of hybrid energy systems using intelligence evolutionary algorithms | |
CN112651634A (zh) | 基于序列运算的有源配电系统源网荷储日前有功调度方法 | |
CN116805803A (zh) | 基于自适应mpc的风光储离网制氢系统能量调度方法 | |
CN115241923A (zh) | 一种基于蛇优化算法的微电网多目标优化配置方法 | |
CN114741960A (zh) | 一种综合能源经济环境调度优化方法及系统 | |
CN112883630B (zh) | 用于风电消纳的多微网系统日前优化经济调度方法 | |
CN114759616B (zh) | 一种考虑电力电子器件特性的微电网鲁棒优化调度方法 | |
CN115796533A (zh) | 考虑清洁能源消纳的虚拟电厂双层优化调度方法及装置 | |
CN115995832A (zh) | 一种计及柔性负荷的户用氢能系统优化运行方法及装置 | |
CN113807566A (zh) | 基于可再生能源和内部负荷不确定的社区能源的调度方法 | |
CN113177860A (zh) | 一种基于改进蚁狮算法的含电动汽车参与的微电网优化调度方法 | |
CN111967646A (zh) | 一种虚拟电厂可再生能源优化配置方法 | |
Padamanabhan et al. | Renewable Energy Storage Systems with Grid Connected Solar Using Multi-Objective Optimization Technique | |
Yang et al. | Multi-source scheduling method on supply side of microgrid based on reinforcement learning algorithm | |
Ye et al. | Low carbon economic operation optimization method of micro electric network based on adaptive artificial bee colony algorithm |
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 |