CN116911579A - 配电台区的调度方法及装置 - Google Patents

配电台区的调度方法及装置 Download PDF

Info

Publication number
CN116911579A
CN116911579A CN202311181238.4A CN202311181238A CN116911579A CN 116911579 A CN116911579 A CN 116911579A CN 202311181238 A CN202311181238 A CN 202311181238A CN 116911579 A CN116911579 A CN 116911579A
Authority
CN
China
Prior art keywords
particle swarm
swarm algorithm
scheduling
power distribution
representing
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
CN202311181238.4A
Other languages
English (en)
Other versions
CN116911579B (zh
Inventor
杨桂生
周琦
杨宗豪
赵静
黄溯
花颂杰
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.)
Changzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
Changzhou Power Supply Co of State Grid Jiangsu 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 Changzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd filed Critical Changzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Priority to CN202311181238.4A priority Critical patent/CN116911579B/zh
Publication of CN116911579A publication Critical patent/CN116911579A/zh
Application granted granted Critical
Publication of CN116911579B publication Critical patent/CN116911579B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/06—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
    • 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
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Water Supply & Treatment (AREA)
  • Development Economics (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Quality & Reliability (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及台区调度技术领域，提供一种配电台区的调度方法及装置，方法包括：建立配电台区的调度模型；对粒子群算法的惯性因子进行改进，并确定迭代次数阈值，基于迭代次数阈值对粒子群算法的种群多样性进行改进，以得到改进的粒子群算法；采用改进的粒子群算法对调度模型进行优化求解，以得到调度方案；采用调度方案对配电台区进行调度。由此，对粒子群算法的惯性因子和种群多样性进行改进，并基于改进的粒子群算法对配电台区进行调度，可以提高调度稳定性、安全性，可以提升调度效率。

Description

配电台区的调度方法及装置
技术领域
本发明涉及台区调度技术领域，具体涉及一种配电台区的调度方法和一种配电台区的调度装置。
背景技术
对于配电台区的调度，相关技术中，在台区下光伏逆变器、储能侧安装即插即用通讯单元，实现与逆变器以及储能装置的通信。在配电台区安装智慧网关，通过电力载波通信方式与即插即用通讯单元进行通信，汇集整个台区光伏以及储能信息，将台区构建成一个基本自治单元，通过智慧网关实现台区内的功率和能量调度控制，完成分布式光伏就地消纳等功能。
然而，相关技术中采用上述方案进行调度时存在以下问题：
（1）可能会导致电力系统的不稳定，因为可能会导致电力系统中的某些部分失去控制；
（2）可能会导致电力系统的安全性降低、效率降低，因为可能会导致电力系统中的某些部分出现故障。
发明内容
本发明为解决在配电台区的调度中出现的不稳定、安全性降低、效率降低的问题，提出了如下技术方案。
本发明第一方面实施例提出了一种配电台区的调度方法，包括以下步骤：建立配电台区的调度模型；对粒子群算法的惯性因子进行改进，并确定迭代次数阈值，基于所述迭代次数阈值对所述粒子群算法的种群多样性进行改进，以得到改进的粒子群算法；采用改进的粒子群算法对所述调度模型进行优化求解，以得到调度方案；采用所述调度方案对所述配电台区进行调度。
另外，根据本发明上述实施例的配电台区的调度方法还可以具有如下附加的技术特征。
根据本发明的一个实施例，所述调度模型的目标函数为：
其中，f(x i )表示调度模型的目标函数，x i 表示第i个粒子，N表示种群规模大小。
根据本发明的一个实施例，对粒子群算法的惯性因子进行改进，包括：使粒子群算法的惯性因子递减，其中，通过以下公式使所述惯性因子递减：
其中，和/>分别表示惯性因子的最大值和最小值，/>表示迭代次数，/>表示最大迭代次数，/>表示惯性因子的变换系数。
根据本发明的一个实施例，基于所述迭代次数阈值对所述粒子群算法的种群多样性进行改进，包括：获取当前迭代次数，判断所述当前迭代次数是否小于所述迭代次数阈值；如果所述当前迭代次数小于所述迭代次数阈值，则基于全局极值更新粒子的位置；如果当前迭代次数大于或者等于所述迭代次数阈值，则对全局极值添加扰动项后更新粒子的速度和位置。
根据本发明的一个实施例，通过以下公式基于全局极值更新粒子的位置：
其中，表示更新后迭代次数为t时粒子的位置，/>表示更新前迭代次数为t时粒子的位置，/>表示迭代次数为t时的全局极值。
根据本发明的一个实施例，所述扰动项的表达式为：
其中，k表示扰动项，rand表示0~1之间的随机数。
根据本发明的一个实施例，对全局极值添加扰动项后通过以下公式更新粒子的速度和位置：
其中，表示迭代次数为t+1时第i个粒子的速度，/>表示惯性因子，/>表示迭代次数为t时第i个粒子的速度，/>和/>分别为学习因子，取值范围为/>，/>和/>分别表示在0~1之间的随机数，/>表示迭代次数为t时第i个粒子的个体极值，k表示扰动项，表示迭代次数为t时的全局极值。
根据本发明的一个实施例，采用改进的粒子群算法对所述调度模型进行优化求解，包括以下步骤：初始化改进的粒子群算法；对于每个粒子，根据所述调度模型计算粒子的位置、速度、以及适应度值，将粒子的适应度值与当前经过的个体最优位置进行比较，并根据比较结果得到个体极值；对于每个粒子，将粒子的适应度值与当前的全局最优位置进行比较，并根据比较结果得到全局极值；设置惯性因子，其中，所述惯性因子递减；根据改进后的种群多样性更新粒子的速度和位置；若迭代次数大于最大迭代次数，则停止算法，否则转到计算粒子的位置、速度、以及适应度值的步骤。
本发明第二方面实施例提出了一种配电台区的调度装置，包括：建立模块，用于建立配电台区的调度模型；改进模块，用于对粒子群算法的惯性因子进行改进，并确定迭代次数阈值，基于所述迭代次数阈值对所述粒子群算法的种群多样性进行改进，以得到改进的粒子群算法；求解模块，用于采用改进的粒子群算法对所述调度模型进行优化求解，以得到调度方案；调度模块，用于采用所述调度方案对所述配电台区进行调度。
根据本发明的一个实施例，所述改进模块在对粒子群算法的惯性因子进行改进时，具体用于：
使粒子群算法的惯性因子递减，其中，通过以下公式使所述惯性因子递减：
其中，和/>分别表示惯性因子的最大值和最小值，/>表示迭代次数，/>表示最大迭代次数，/>表示惯性因子的变换系数。
本发明实施例的技术方案，对粒子群算法的惯性因子和种群多样性进行改进，并基于改进的粒子群算法对配电台区进行调度，可以提高调度稳定性、安全性，可以提升调度效率。
附图说明
图1为本发明实施例的配电台区的调度方法的流程图。
图2为本发明一个示例的配电台区统一调度运行策略逻辑示意图。
图3为本发明实施例的配电台区的调度装置的方框示意图。
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。
可以使用粒子群算法对配电台区的功率和能量进行调度：
粒子群优化（Particle Swarm Optimization，PSO）算法，是一种基于群体演化的进化算法以及基于迭代和群智能的优化算法，也称为粒子群算法。假设粒子群的种群大小为N，搜索空间维数为D，D也表示网络权值的个数。
第i个粒子在D维的空间位置表示为，/>，第i个粒子的速度为/>；则第i个粒子在D维搜索空间的当前所能发现的最佳极值为；种群全局的最优位置记为。在D维的解空间中，每一次的迭代，每个粒子的速度和位置都随自身的个体极值位置和当前全局最优位置变化，则速度更新和位置更新的表达式如式（1）和（2）：
（1）
（2）
其中，t为迭代次数，为平衡全局和局部搜索能力的惯性因子，/>和/>为学习因子，一般为正常数，取值范围为/>，/>和/>表示在0~1之间的随机数字；/>，，/>和/>分别表示粒子速度的最大值和粒子位置的最大值，且分别用来限制粒子速度和位置。
需要说明的是，式（1）为标准粒子群算法，种群大小N根据要求而定，一般情况下种群规模大小N取值为20~40。当=0时，速度只取决于当前位置和历史最好位置，速度本身没有记忆性；/>较大时，算法具有较强的全局搜索能力；/>较小时，算法具有较强的局部搜索能力。粒子的最大速度/>决定当前位置与最佳位置之间的区域精度，当/>过大时，粒子就会存在超过极小点的危险；当/>太小时，粒子就会仅在在局部极小点区域内搜索，粒子会陷入局部最优。
可见，因和/>影响搜索能力，可能会导致粒子群算法全局搜索能力弱或者局部搜索能力弱、以及容易陷入局部最优的现象，因此使用传统的粒子群算法对配电台区进行调度时，可能会导致配电台区电力系统中的某些部分失去控制、出现故障的现象，从而引发不稳定、安全性降低和效率降低的问题，
基于以上分析，为了实现配电台区的自治统一调度，本发明实施例对粒子群算法进行改进，在此基础上实现对统一调度。
图1为本发明实施例的配电台区的调度方法的流程图。
如图1所示，该配电台区的调度方法包括以下步骤S1至S4。
S1，建立配电台区的调度模型。
具体地，配电台区可以是光储荷配电台区，可根据配电台区的调度目标（比如以成本最小化为目标等）、约束条件建立调度模型，用于实现对配电台区功率和能量的调度。
需要说明的是，本发明实施例的调度模型可根据实际需求具体确定，只要能满足实际功率、能量需求即可，对此本发明实施例不做任何限制。
只要是实现一定目标的调度模型，均可以使用本发明实施例中的改进的粒子群算法对其进行处理。
S2，对粒子群算法的惯性因子进行改进，并确定迭代次数阈值，基于迭代次数阈值对粒子群算法的种群多样性进行改进，以得到改进的粒子群算法。
其中，迭代次数阈值可以事先根据实际情况具体确定，并用于粒子群算法，迭代次数阈值与传统的粒子群算法中的最大迭代次数不同，迭代次数阈值小于最大迭代次数。
具体地，为了实现台区的统一调度，对传统的粒子群算法的惯性因子、种群多样性分别进行改进，具体来说可以使惯性因子递减，可确定迭代次数阈值，并基于迭代次数阈值和当前迭代次数对粒子群算法的种群多样性进行改进，以得到改进的粒子群算法。
S3，采用改进的粒子群算法对调度模型进行优化求解，以得到调度方案。
具体地，在得到改进的粒子群算法后，采用该算法对调度模型进行优化求解，其中具体求解流程即为粒子群算法的求解步骤，即可得到配电台区最优的调度方案。
S4，采用调度方案对配电台区进行调度。
采用基于改进的粒子群算法得到的调度方案对配电台区进行调度，可以避免或者减少算法全局搜索能力弱或者局部搜索能力弱、以及容易陷入局部最优的现象，进一步地可以避免或者减少失去控制、出现故障的现象，从而可以提高稳定性、安全性，提升调度效率。
由此，本发明实施例的配电台区的调度方法，对粒子群算法的惯性因子和种群多样性进行改进，并基于改进的粒子群算法对配电台区进行调度，可以提高调度稳定性、安全性，可以提升调度效率。
在本发明的一个实施例中，调度模型的目标函数为：
（3）
其中，f(x i )表示调度模型，x i 表示第i个粒子，N表示种群规模大小。
在本发明的一个实施例中，步骤S2中的对粒子群算法的惯性因子进行改进，可包括：使粒子群算法的惯性因子递减，其中，通过以下公式使惯性因子递减：
（4）
其中，和/>分别表示惯性因子的最大值和最小值，/>表示迭代次数，/>表示最大迭代次数，/>表示惯性因子的变换系数。
具体而言，由于粒子群算法的寻优过程为非线性的，较大时，算法具有较强的全局搜索能力；/>较小时，算法具有较强的局部搜索能力，所以本发明实施例使惯性因子递减，可以在算法初期提高全局搜索能力，在算法后期提高局部搜索能力。
在本发明一个实施例中，步骤S2中的基于迭代次数阈值对粒子群算法的种群多样性进行改进，可包括：获取当前迭代次数，判断当前迭代次数是否小于迭代次数阈值；如果当前迭代次数小于迭代次数阈值，则基于全局极值更新粒子的位置；如果当前迭代次数大于或者等于迭代次数阈值，则对全局极值添加扰动项后更新粒子的速度和位置。
具体而言，对种群的多样性进行改进，使改进的粒子群算法在算法初期保持全局搜索能力的同时，适当提高算法的局部搜索能力；在算法后期，适当的提髙全局搜索能力，使算法不易陷入局部极小。改进策略为：设置迭代次数阈值，在当前迭代次数/>时，将基于全局极值更新粒子的位置，目的是适当减小种群全局搜索能力的同时，提高种群的局部搜索能力；当/>时，添加随机的扰动项/>对全局极值进行干扰，目的是适当提高种群的全局搜索能力，之后更新粒子的位置。
进一步地，基于全局极值更新粒子的位置，具体为将每个粒子的位置与全局极值求和后取平均值，即通过以下公式更新粒子的位置：
（5）
其中，表示更新后迭代次数为t时粒子的位置，/>表示更新前迭代次数为t时粒子的位置，/>表示迭代次数为t时的全局极值。
进一步地，扰动项的表达式为：
（6）
其中，k表示扰动项，rand表示0~1之间的随机数。
对全局极值添加扰动项具体位置将全局极值乘以扰动项，之后，通过以下公式更新粒子的速度：
（7）
其中，表示迭代次数为t+1时第i个粒子的速度，/>表示惯性因子，/>表示迭代次数为t时第i个粒子的速度，/>和/>分别为学习因子，一般为正常数，取值范围为/>，和/>分别表示在0~1之间的随机数，/>表示迭代次数为t时第i个粒子的个体极值，k表示扰动项，/>表示迭代次数为t时的全局极值。
之后，通过式（2）更新粒子的位置。
通过公式（4）至（7）改进粒子群算法，得到改进的粒子群算法，具体改进的粒子群算法为：
步骤一：种群初始化，随机产生种群规模大小为；
步骤二：通过目标函数（式（3））计算各个粒子的适应度值，得到个体极值和全局极值；
步骤三：判断统计当前迭代次数t是否小于迭代次数阈值，若是则通过式（5）根据全局极值更新粒子的位置；若不是，则通过式（6）对全局极值添加扰动项k，然后然后通过式（7）、式（2）更新粒子的速度和位置。
步骤四：判断是否满足终止条件，若满足，迭代停止；否则返回步骤二。
通过以上方式实现粒子群算法的改进，之后执行步骤S3，即采用改进的粒子群算法对调度模型进行优化求解，以得到调度方案。
在本发明一个示例中，采用改进的粒子群算法对调度模型进行优化求解，可包括以下步骤：初始化改进的粒子群算法；对于每个粒子，根据调度模型计算粒子的位置、速度、以及适应度值，将粒子的适应度值与当前经过的个体最优位置进行比较，并根据比较结果得到个体极值；对于每个粒子，将粒子的适应度值与当前的全局最优位置进行比较，并根据比较结果得到全局极值；设置惯性因子，其中，惯性因子递减；根据改进后的种群多样性更新粒子的速度和位置；若迭代次数大于最大迭代次数，则停止算法，否则转到计算粒子的位置、速度、以及适应度值的步骤。
具体而言，将改进的粒子群算法应用于配电台区调度中时，可通过以下步骤通过改进的粒子群算法对调度模型进行优化求解：
1. 初始化改进的粒子群算法。初始化输入参数（惯性权重因子、学习因子、粒子速度的最大值、位置的最大值），确定粒子群规模、速度和算法的参数，设置算法的最大迭代次数。
2.适应度值评估。对适应度值是否在正常范围进行评估，如不在正常范围则重新搜索。
3.对每个粒子，根据调度模型计算粒子的位置、速度、以及适应度值，将粒子的适应度值与当前经过的个体最优位置pbest比较，并根据比较结果选择个体极值。
4.对于每个粒子，将粒子适应度值与当前的全局最优位置gbest进行比较，并根据比较结果选择全局极值。
5.计算群体的适应度方差。
6.通过公式（3）设置惯性权重因子，其中，惯性因子递减。
7.产生随机数，如果/>，/>表示迭代m次的位置，则进行变异，否则转到第8步。
8. 通过公式（4）、（5）和（6）对粒子的全局最优值进行混沌优化，将全局最优位置gbest映射到[0,1]，然后计算粒子的适应度值，得到最优解gbest’。
9.用gbest’代替当前群体中粒子的位置。
10.若算法迭代次数大于设置的最大迭代次数，则算法停止，否则转到第3步。
在进行统一调度时，配电自动化主站实时计算配网线路及主变运行信息，统计分析下侧配电台区可调控资源裕度信息，在主变或线路出现超重载或倒送风险时，下发统一调度指令到配电台区智慧采集器终端，本地终端自行计算并分解调控目标同时下发控制指令到执行设备用户，同时滚动优化控制过程，实现对上级线路及主变的统一调度支撑响应。
如图2所示，为了实现配电台区的统一调度，在台区下光伏逆变器、储能侧安装即插即用通讯单元，实现与逆变器以及储能装置通信。在配电台区安装智慧网关，通过电力载波通信方式与即插即用通讯单元通信，汇集整个台区光伏以及储能信息，将台区构建成一个基本自治单元，通过智慧网关实现台区内的功率和能量调度控制，完成分布式光伏就地消纳等就地功。统一调度运行过程为：
1）通过馈线负载率判定策略投退（电流值/正常电流值）（数据通过采集器从d5000负荷表获取）；
2）判断负载率是否超出正常范围，负载率正常范围0%＜负载率<80%，倒送范围：负载率<0%，过载范围：负载率>80%；
3）如果负载率超出正常范围，会计算需要调节的功率值，再根据馈线下所有台区储能的SOC进行分配，可以是平均分配和逐一分配；
4）根据统一调度功能要求，在配电自动化主站系统从逻辑上增加一个控制逻辑，即配电自动化下发统一调度指令时，无论配电台区就地运行何种控制策略，均停止执行，统一调度控制优先级原则上高于现有所有控制策略；
5）程序判定统一调度投入逻辑：打开统一调度程序界面，并下发指令给当前馈线下所属台区，统一调度投入并给当前台区下发自治策略退出命令，当关闭程序界面则统一调度状态退出并给此次操作台区下发自治策略运行。
综上所述，本发明实施例通过改进的粒子群算法，可以实现配电台区的自治统一调度，采用了改进的粒子群算法，可以提高调度稳定性、安全性，可以提升调度效率。
对应上述实施例的配电台区的调度方法，本发明还提出一种配电台区的调度装置。
图3为本发明实施例的配电台区的调度装置的方框示意图。
如图3所示，该配电台区的调度装置包括：建立模块10、改进模块20、求解模块30和调度模块40。
其中，建立模块10用于建立配电台区的调度模型；改进模块20用于对粒子群算法的惯性因子进行改进，并确定迭代次数阈值，基于所述迭代次数阈值对所述粒子群算法的种群多样性进行改进，以得到改进的粒子群算法；求解模块30用于采用改进的粒子群算法对所述调度模型进行优化求解，以得到调度方案；调度模块40用于采用所述调度方案对所述配电台区进行调度。
在本发明的一个实施例中，所述调度模型的目标函数为：
其中，f(x i )表示调度模型，x i 表示第i个粒子，N表示种群规模大小。
在本发明的一个实施例中，所述改进模块20在对粒子群算法的惯性因子进行改进时，具体用于：使粒子群算法的惯性因子递减，其中，通过以下公式使所述惯性因子递减：
其中，和/>分别表示惯性因子的最大值和最小值，/>表示迭代次数，/>表示最大迭代次数，/>表示惯性因子的变换系数。
在本发明的一个实施例中，所述改进模块20在基于所述迭代次数阈值对所述粒子群算法的种群多样性进行改进时，具体用于：获取当前迭代次数，判断所述当前迭代次数是否小于所述迭代次数阈值；如果所述当前迭代次数小于所述迭代次数阈值，则基于全局极值更新粒子的位置；如果当前迭代次数大于或者等于所述迭代次数阈值，则对全局极值添加扰动项后更新粒子的速度和位置。
在本发明的一个实施例中，通过以下公式基于全局极值更新粒子的位置：
其中，表示更新后迭代次数为t时粒子的位置，/>表示更新前迭代次数为t时粒子的位置，/>表示迭代次数为t时的全局极值。
在本发明的一个实施例中，所述扰动项的表达式为：
其中，k表示扰动项，rand表示0~1之间的随机数。
在本发明的一个实施例中，对全局极值添加扰动项后通过以下公式更新粒子的速度和位置：
其中，表示迭代次数为t+1时第i个粒子的速度，/>表示惯性因子，/>表示迭代次数为t时第i个粒子的速度，/>和/>分别为学习因子，取值范围为/>，/>和/>分别表示在0~1之间的随机数，/>表示迭代次数为t时第i个粒子的个体极值，k表示扰动项，表示迭代次数为t时的全局极值。
在本发明的一个实施例中，求解模块30具体用于：初始化改进的粒子群算法；对于每个粒子，根据所述调度模型计算粒子的位置、速度、以及适应度值，将粒子的适应度值与当前经过的个体最优位置进行比较，并根据比较结果得到个体极值；对于每个粒子，将粒子的适应度值与当前的全局最优位置进行比较，并根据比较结果得到全局极值；设置惯性因子，其中，所述惯性因子递减；根据改进后的种群多样性更新粒子的速度和位置；若迭代次数大于最大迭代次数，则停止算法，否则转到计算粒子的位置、速度、以及适应度值的步骤。
需要说明的是，该配电台区的调度装置的具体实施方式及实施原理可参见上述配电台区的调度方法的具体实施方式，为避免冗余，此处不再详细赘述。
本发明实施例的配电台区的调度装置，对粒子群算法的惯性因子和种群多样性进行改进，并基于改进的粒子群算法对配电台区进行调度，可以提高调度稳定性、安全性，可以提升调度效率。
在本发明的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种配电台区的调度方法，其特征在于，包括以下步骤：
建立配电台区的调度模型；
对粒子群算法的惯性因子进行改进，并确定迭代次数阈值，基于所述迭代次数阈值对所述粒子群算法的种群多样性进行改进，以得到改进的粒子群算法；
采用改进的粒子群算法对所述调度模型进行优化求解，以得到调度方案；
采用所述调度方案对所述配电台区进行调度。
2.根据权利要求1所述的配电台区的调度方法，其特征在于，所述调度模型的目标函数为：
，
其中，f(x i )表示调度模型的目标函数，x i 表示第i个粒子，N表示种群规模大小。
3.根据权利要求1所述的配电台区的调度方法，其特征在于，对粒子群算法的惯性因子进行改进，包括：
使粒子群算法的惯性因子递减，其中，通过以下公式使所述惯性因子递减：
，
其中，和/>分别表示惯性因子的最大值和最小值，/>表示迭代次数，/>表示最大迭代次数，/>表示惯性因子的变换系数。
4.根据权利要求1所述的配电台区的调度方法，其特征在于，基于所述迭代次数阈值对所述粒子群算法的种群多样性进行改进，包括：
获取当前迭代次数，判断所述当前迭代次数是否小于所述迭代次数阈值；
如果所述当前迭代次数小于所述迭代次数阈值，则基于全局极值更新粒子的位置；
如果当前迭代次数大于或者等于所述迭代次数阈值，则对全局极值添加扰动项后更新粒子的速度和位置。
5.根据权利要求4所述的配电台区的调度方法，其特征在于，通过以下公式基于全局极值更新粒子的位置：
，
其中，表示更新后迭代次数为t时粒子的位置，/>表示更新前迭代次数为t时粒子的位置，/>表示迭代次数为t时的全局极值。
6.根据权利要求4所述的配电台区的调度方法，其特征在于，所述扰动项的表达式为：
，
其中，k表示扰动项，rand表示0~1之间的随机数。
7.根据权利要求4所述的配电台区的调度方法，其特征在于，对全局极值添加扰动项后通过以下公式更新粒子的速度和位置：
，
，
其中，表示迭代次数为t+1时第i个粒子的速度，/>表示惯性因子，/>表示迭代次数为t时第i个粒子的速度，/>和/>分别为学习因子，取值范围为/>，/>和/>分别表示在0~1之间的随机数，/>表示迭代次数为t时第i个粒子的个体极值，k表示扰动项，表示迭代次数为t时的全局极值。
8.根据权利要求1-7任一项所述的配电台区的调度方法，其特征在于，采用改进的粒子群算法对所述调度模型进行优化求解，包括以下步骤：
初始化改进的粒子群算法；
对于每个粒子，根据所述调度模型计算粒子的位置、速度、以及适应度值，将粒子的适应度值与当前经过的个体最优位置进行比较，并根据比较结果得到个体极值；
对于每个粒子，将粒子的适应度值与当前的全局最优位置进行比较，并根据比较结果得到全局极值；
设置惯性因子，其中，所述惯性因子递减；
根据改进后的种群多样性更新粒子的速度和位置；
若迭代次数大于最大迭代次数，则停止算法，否则转到计算粒子的位置、速度、以及适应度值的步骤。
9.一种配电台区的调度装置，其特征在于，包括：
建立模块，用于建立配电台区的调度模型；
改进模块，用于对粒子群算法的惯性因子进行改进，并确定迭代次数阈值，基于所述迭代次数阈值对所述粒子群算法的种群多样性进行改进，以得到改进的粒子群算法；
求解模块，用于采用改进的粒子群算法对所述调度模型进行优化求解，以得到调度方案；
调度模块，用于采用所述调度方案对所述配电台区进行调度。
10.根据权利要求9所述的配电台区的调度装置，其特征在于，所述改进模块在对粒子群算法的惯性因子进行改进时，具体用于：
使粒子群算法的惯性因子递减，其中，通过以下公式使所述惯性因子递减：
，
其中，和/>分别表示惯性因子的最大值和最小值，/>表示迭代次数，/>表示最大迭代次数，/>表示惯性因子的变换系数。
CN202311181238.4A 2023-09-14 2023-09-14 配电台区的调度方法及装置 Active CN116911579B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311181238.4A CN116911579B (zh) 2023-09-14 2023-09-14 配电台区的调度方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311181238.4A CN116911579B (zh) 2023-09-14 2023-09-14 配电台区的调度方法及装置

Publications (2)

Publication Number Publication Date
CN116911579A true CN116911579A (zh) 2023-10-20
CN116911579B CN116911579B (zh) 2023-12-08

Family

ID=88365359

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311181238.4A Active CN116911579B (zh) 2023-09-14 2023-09-14 配电台区的调度方法及装置

Country Status (1)

Country Link
CN (1) CN116911579B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102856918A (zh) * 2012-07-31 2013-01-02 上海交通大学 一种基于小生境粒子群算法的配电网的无功优化方法
CN104037776A (zh) * 2014-06-16 2014-09-10 国家电网公司 随机惯性因子粒子群优化算法的电网无功容量配置方法
US20140277599A1 (en) * 2013-03-13 2014-09-18 Oracle International Corporation Innovative Approach to Distributed Energy Resource Scheduling
AU2020104000A4 (en) * 2020-12-10 2021-02-18 Guangxi University Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model
CN112711895A (zh) * 2020-12-30 2021-04-27 上海电机学院 一种基于时段划分及改进粒子群算法的配电网重构方法
CN114938013A (zh) * 2022-05-09 2022-08-23 国网上海能源互联网研究院有限公司 一种电动汽车集群参与配电网协调控制的方法及装置
CN115630746A (zh) * 2022-11-04 2023-01-20 江苏师范大学 一种用于热电联产经济排放调度的改进粒子群算法
CN115841176A (zh) * 2022-11-23 2023-03-24 国网山东省电力公司营销服务中心(计量中心) 充电桩变频负荷的安全态势感知方法及系统
CN115986854A (zh) * 2023-02-08 2023-04-18 国网江苏省电力有限公司常州供电分公司 含分布式电源的配电网无功补偿优化方法及装置
CN116191449A (zh) * 2023-02-27 2023-05-30 国网湖南省电力有限公司 用户电力负荷实时调度方法及系统、电子设备、存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102856918A (zh) * 2012-07-31 2013-01-02 上海交通大学 一种基于小生境粒子群算法的配电网的无功优化方法
US20140277599A1 (en) * 2013-03-13 2014-09-18 Oracle International Corporation Innovative Approach to Distributed Energy Resource Scheduling
CN104037776A (zh) * 2014-06-16 2014-09-10 国家电网公司 随机惯性因子粒子群优化算法的电网无功容量配置方法
AU2020104000A4 (en) * 2020-12-10 2021-02-18 Guangxi University Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model
CN112711895A (zh) * 2020-12-30 2021-04-27 上海电机学院 一种基于时段划分及改进粒子群算法的配电网重构方法
CN114938013A (zh) * 2022-05-09 2022-08-23 国网上海能源互联网研究院有限公司 一种电动汽车集群参与配电网协调控制的方法及装置
CN115630746A (zh) * 2022-11-04 2023-01-20 江苏师范大学 一种用于热电联产经济排放调度的改进粒子群算法
CN115841176A (zh) * 2022-11-23 2023-03-24 国网山东省电力公司营销服务中心(计量中心) 充电桩变频负荷的安全态势感知方法及系统
CN115986854A (zh) * 2023-02-08 2023-04-18 国网江苏省电力有限公司常州供电分公司 含分布式电源的配电网无功补偿优化方法及装置
CN116191449A (zh) * 2023-02-27 2023-05-30 国网湖南省电力有限公司 用户电力负荷实时调度方法及系统、电子设备、存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
桑博;刘洪文;尹志勇;: "改进粒子群算法在电能质量信号去噪中的应用", 电子设计工程, no. 15, pages 131 - 134 *

Also Published As

Publication number Publication date
CN116911579B (zh) 2023-12-08

Similar Documents

Publication Publication Date Title
CN112286677B (zh) 一种面向资源受限边缘云的物联网应用优化部署方法
CN107039977B (zh) 电力系统鲁棒调度不确定集构建方法
CN109600178B (zh) 一种边缘计算中能耗与时延和最小化的优化方法
CN112784362B (zh) 一种用于无人机辅助边缘计算的混合优化方法及系统
Wu et al. Applications of wireless sensor networks for area coverage in microgrids
CN113810233B (zh) 一种在随机网络中基于算网协同的分布式计算卸载方法
US11043818B2 (en) Random rolling scheduling method for power system based on Newton method
WO2023160110A1 (zh) 一种集群温控负荷系统调频方法、系统、电子设备及存储介质
CN108650131B (zh) 用于sdn网络中多控制器部署的处理系统
CN111813506A (zh) 一种基于粒子群算法资源感知计算迁移方法、装置及介质
CN114696351A (zh) 一种电池储能系统动态优化方法、装置、电子设备和存储介质
Srinivasan et al. Cooperative multi-agent system for coordinated traffic signal control
CN108281989A (zh) 一种风电电力系统经济调度方法及装置
CN113991751A (zh) 一种基于混合算法的自动发电控制调度方法
CN116169698A (zh) 一种新能源平稳消纳的分布式储能优化配置方法及系统
CN116914751A (zh) 一种智能配电控制系统
CN116911579B (zh) 配电台区的调度方法及装置
CN117254464B (zh) 一种储能系统的控制方法及系统
CN112231117A (zh) 基于动态向量混合遗传算法的云机器人服务选择方法及系统
Lu et al. A multi-model estimation of distribution algorithm for agent routing problem in multi-point dynamic task
Jiao et al. Service deployment of C4ISR based on genetic simulated annealing algorithm
CN114363996B (zh) 一种基于多目标的异构无线网络业务接入控制方法及装置
CN115660433A (zh) 一种基于飞虫寻光移动原理的光伏电站规划方法
Ma et al. Control and Communication for Demand Response with Thermostatically Controlled Loads
Selvi et al. Hybrid evolutionary programming approach to multi-area unit commitment with import and export constraints

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