CN116937584A - 基于改进灰狼算法的微电网群多目标优化求解方法和装置 - Google Patents

基于改进灰狼算法的微电网群多目标优化求解方法和装置 Download PDF

Info

Publication number
CN116937584A
CN116937584A CN202310745894.6A CN202310745894A CN116937584A CN 116937584 A CN116937584 A CN 116937584A CN 202310745894 A CN202310745894 A CN 202310745894A CN 116937584 A CN116937584 A CN 116937584A
Authority
CN
China
Prior art keywords
micro
representing
grid
power
energy storage
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
CN202310745894.6A
Other languages
English (en)
Inventor
何玉灵
吴学伟
孙凯
焦凌钰
解奎
王海朋
杜晓东
曾四鸣
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.)
Electric Power Research Institute of State Grid Hebei Electric Power Co Ltd
North China Electric Power University
Original Assignee
Electric Power Research Institute of State Grid Hebei Electric Power Co Ltd
North China Electric Power University
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 Electric Power Research Institute of State Grid Hebei Electric Power Co Ltd, North China Electric Power University filed Critical Electric Power Research Institute of State Grid Hebei Electric Power Co Ltd
Priority to CN202310745894.6A priority Critical patent/CN116937584A/zh
Publication of CN116937584A publication Critical patent/CN116937584A/zh
Pending legal-status Critical Current

Links

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
    • H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
    • H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected networks
    • 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
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • 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
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本公开的实施例提供了一种基于改进灰狼算法的微电网群多目标优化求解方法和装置，应用于有源配电网运行分析技术领域。所述方法包括获取微电网群中电源侧、电网侧、负荷侧以及储能侧的历史数据和实时运行数据；再将历史数据和实时运行数据输入预设灰狼算法模型，基于预设约束规则输出预设多目标函数的最优值。以此方式，可以根据求解出的储能装置在最优调度方案下的充放电功率以及风力发电和光伏发电在最优调度方案下的发电功率完成配电网的经济调度，从而进行源网荷储协同调度，达到实现可再生能源的高效消纳，降低配电网运行成本并保证配电网可靠性运行的效果。

Description

基于改进灰狼算法的微电网群多目标优化求解方法和装置
技术领域
本公开涉及数据处理技术领域，尤其涉及有源配电网运行分析技术领域，具体涉及一种基于改进灰狼算法的微电网群多目标优化求解方法和装置。
背景技术
微电网在有效整合可再生能源发电后，作为智能子系统接入配电网中，增强了配电网的互动性、可控性和可靠性，进而提升电力系统的综合能效。随着微电网数量的增加，导致配电网的调度变得越来越复杂，因此通过考虑多微电网场景下微电网之间的协调运行，能有效弥补分布式电源分散性、随机性、间歇性以及波动性的缺点，保障分散的用户安全、经济和优质用电，提高电网对可再生能源的消纳能力。同时，兼顾微电网群经济效益、环境效益和稳定性多个目标，得到满足配电网可靠性运行的最佳方案，从而满足新形式下的配电网规划的可行性与高可靠性要求。然而，运用当前进行微电网群多目标优化求解的方法进行配电网的调度，无法达到可再生能源的高效消纳，配电网运行成本较高且无法保证配电网可靠性运行。
发明内容
本公开提供了一种基于改进灰狼算法的微电网群多目标优化求解方法和装置。
根据本公开的第一方面，提供了一种基于改进灰狼算法的微电网群多目标优化求解方法。该方法包括：
获取微电网群中电源侧、电网侧、负荷侧以及储能侧的历史数据和实时运行数据；
将所述历史数据和所述实时运行数据输入预设灰狼算法模型，基于预设约束规则输出预设多目标函数的最优值；其中，所述最优值对应的最优种群为储能装置在最优调度方案下的充放电功率以及风力发电和光伏发电在最优调度方案下的发电功率。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述将所述历史数据和所述实时运行数据输入预设灰狼算法模型，基于预设约束规则输出预设多目标函数的最优值包括：
输入预设参数、所述历史数据和所述实时运行数据；所述预设参数包括进化代数、调节系数；
基于Tent混沌映射方程初始化预设多目标函数；
迭代计算初始化后的预设多目标函数对应的微电网群系统运行总成本，直至当前迭代次数等于或大于所述进化代数，输出预设目标函数的最优值；其中，在每一次迭代中初始化后的预设目标函数都满足预设约束规则。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述迭代计算初始化后的预设多目标函数对应的微电网群系统运行总成本包括：
计算初始化后的预设多目标函数对应的微电网群系统运行总成本；
确定所述微电网群系统运行总成本对应的最优个体；
判断当前迭代次数是否小于所述进化代数；
若否，则基于对预设灰狼算法模型中收敛因子设置非线性调整策略，计算非线性参数，所述非线性参数用于更新调节系数；
根据更新后的调节系数，重新确定所述微电网群系统运行总成本对应的最优个体；
基于柯西变异算子，对重新确定的所述微电网群系统运行总成本对应的最优个体进行变异处理；
在当前迭代次数等于或大于所述进化代数的情况下，基于变异后的所述微电网群系统运行总成本对应的最优个体，再次计算初始化后的预设目标函数对应的微电网群系统运行总成本并确定对应的最优个体，输出预设多目标函数的最优值并结束迭代。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述Tent混沌映射方程包括：
所述对预设灰狼算法模型中收敛因子设置非线性调整策略包括：
所述柯西变异算子包括：
Xg(f)＝Xg(f)+η×C(0，1)
其中，xf表示当前代个体，xf+1表示下一代个体；a表示非线性参数，aini表示非线性参数的起始值，afin表示非线性参数的终止值，k表示调节系数，f表示当前迭代次数，Fmax表示最大迭代次数；Xg(f)表示在当前代全局最优解，η表示变异权重，C(0，1)表示f＝1时的标准柯西随机分布，λ表示调整参数；f为大于等于1的正整数。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述预设多目标函数包括微电网群系统运行成本多目标函数，所述最优值包括微电网群系统运行成本的最小值，所述微电网群系统运行成本目标函数包括：
C＝min C1+C2+C3+C4
其中，PwT，t，n表示第n个微电网内t时刻风力发电功率，PPV，t，n表示第n个微电网内t时刻光伏发电功率，an表示第n个微电网内风力发电单元成本，bn表示第n个微电网内光伏发电单元成本，N表示微电网群内微电网总数，T表示时段总数，C1表示新能源发电成本；Pdis，t，n表示第n个微电网内t时刻储能装置放电功率，cn表示第n个微电网内储能装置放电单元成本，C2表示储能装置放电成本；Pn表示第n个微电网向其他微电网供电功率，dn表示第n个微电网进行微电网间能量传输单元成本，C3表示微电网间能量交互成本；Pb，t表示t时刻主电网流入多微电网系统电量，Ps，t表示t时刻多微电网系统流入主电网电量，σ1，t表示t时刻售电，σ2，t表示t时刻购电电价，C4表示微电网群向主电网购电、售电成本；C表示微电网群系统运行成本的最小值；其中，n、t为大于等于1的正整数。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述预设多目标函数还包括配电网网损目标函数，所述最优值还包括配电网网损的最小值，所述微电网群系统网损目标函数包括：
其中，C5n表示配电网中第n个微电网的网损，Pij表示微电网中节点i流向节点j的有功潮流，Pji表示微电网中节点j流向节点i的有功潮流，Ui表示节点i的电压，Uj表示节点j的电压，θij表示节点i、j之间的相角差，Gij表示节点i、j之间联络线路上的电导，N表示配电网中包括的微电网总数，Cl表示配电网网损的最小值；其中，n、i、j为大于等于1的正整数。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述预设约束规则包括：
其中，PwT，t，n表示第n个微电网内t时刻风力发电功率，PPV，t，n表示第n个微电网内t时刻光伏发电功率，Pess，t，n表示第n个微电网内t时刻储能运行功率，放电为正，Pload，l，t，n表示第n个微电网内t时刻负荷功率，Ps表示多微电网系统流入主电网电量，Pin，n表示流入第n个微电网电量，Pout，n表示流出第n个微电网电量，PWT，max表示风力额定发电功率，PPV，max表示光伏额定发电功率，Pl，max表示微电网间能量交换的最大功率限制，Pb，t表示t时刻主电网流入多微电网系统电量，Ps，t表示t时刻多微电网系统流入主电网电量，St表示储能系统荷电状态，Smin表示储能系统荷电状态的下限值，Smax表示储能系统荷电状态的上限值，S0表示当日储能系统初始荷电状态，ST表示当日储能系统末尾荷电状态，Xt表示储能系统充电状态，Yt表示储能系统放电状态，Pcha，t表示t时刻储能装置充电功率，Pdis，t表示t时刻储能装置放电功率，Eb，n表示第n个微电网内储能系统容量，N1表示储能系统最大充电次数，N2表示储能系统最大放电次数，Δt表示系统运行的时间间隔，Eb表示储能系统容量，Vi表示节点i的电压幅值，Vi，min表示节点i的电压幅值最小允许值，Vi，max表示节点i的电压幅值最大允许值；其中，n、t、i为大于等于1的正整数。
根据本公开的第二方面，提供了一种基于改进灰狼算法的微电网群多目标优化求解装置。该装置包括：
获取模块，用于获取微电网群中电源侧、电网侧、负荷侧以及储能侧的历史数据和实时运行数据；
计算模块，用于将所述历史数据和所述实时运行数据输入预设灰狼算法模型，基于预设约束规则输出预设多目标函数的最优值；其中，所述最优值对应的最优种群为储能装置在最优调度方案下的充放电功率以及风力发电和光伏发电在最优调度方案下的发电功率。
根据本公开的第三方面，提供了一种电子设备。该电子设备包括：存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现如以上所述的方法。
根据本公开的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如以上所述的方法。
本申请实施例提供的一种基于改进灰狼算法的微电网群多目标优化求解方法和装置，能够获取微电网群中电源侧、电网侧、负荷侧以及储能侧的历史数据和实时运行数据；再将历史数据和实时运行数据输入预设灰狼算法模型，基于预设约束规则输出预设多目标函数的最优值；其中，最优值对应的最优种群为储能装置在最优调度方案下的充放电功率以及风力发电和光伏发电在最优调度方案下的发电功率；基于此，可以根据求解出的储能装置在最优调度方案下的充放电功率以及风力发电和光伏发电在最优调度方案下的发电功率完成配电网的经济调度，从而进行源网荷储协同调度，达到实现可再生能源的高效消纳，降低配电网运行成本并保证配电网可靠性运行的效果。
应当理解，发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征，亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。
附图说明
结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。附图用于更好地理解本方案，不构成对本公开的限定在附图中，相同或相似的附图标记表示相同或相似的元素，其中：
图1示出了根据本公开的实施例的基于改进灰狼算法的微电网群多目标优化求解方法的流程图；
图2出了根据本公开的实施例的微电网群结构及多微电网间能量流动的示意图；
图3出了根据本公开的实施例的预设灰狼算法模型的示意图；
图4出了根据本公开的实施例的基于改进灰狼算法的微电网群多目标优化求解装置的方框图；
图5出了能够实施本公开的实施例的示例性电子设备的方框图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例，都属于本公开保护的范围。
另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
本公开中，可以根据求解出的储能装置在最优调度方案下的充放电功率以及风力发电和光伏发电在最优调度方案下的发电功率完成配电网的经济调度，从而进行源网荷储协同调度，达到实现可再生能源的高效消纳，降低配电网运行成本并保证配电网可靠性运行的效果。
图1示出了根据本公开实施例的基于改进灰狼算法的微电网群多目标优化求解方法100的流程图。
在框110，获取微电网群中电源侧、电网侧、负荷侧以及储能侧的历史数据和实时运行数据。
在一些实施例中，历史数据包括但不限于从多微电网系统中历史获取或根据实际需求设置的风力发电额定功率、光伏发电额定功率、储能装置额定容量、负荷预测功率、配电网售电及购电电价表、风力发电单元成本、光伏发电单元成本、蓄电池放电成本以及微电网内部电能交换成本。
实时运行数据包括但不限于从多微电网系统中实时获取或根据实际需求实时设置的风力发电额定功率、光伏发电额定功率、储能装置额定容量、负荷预测功率、配电网售电及购电电价表、风力发电单元成本、光伏发电单元成本、蓄电池放电成本以及微电网内部电能交换成本。
在一些实施例中，多微电网系统可以是由多个微电网组成的小规模电力网络，各微电网间以及微电网与主电网之间存在联系。
如图2所示，多微电网系统的系统架构包括可再生能源、储能系统、分布式发电机以及系统网络负荷。其中，可再生能源包括光伏发电和风力发电。多微电网系统可以接入配电网中，以作为电网的一部分参与运行，各个微电网之间互通，进行功率交换和信息传递。配电网自身除有分布式电源外，还可以从微电网和上层电网获取电能，保证系统的稳定运行。配电网与微电网之间进行交换功率的控制，实现两个系统之间的功率平衡，而各微电网之间又存在一定的能量流动，可以实现微电网系统间的能量互助，提高系统运行效率和经济性。
在图2中，图中表示微电网内部能量流动；“←··→”表示微电网与大电网(主电网)间能量流动；“←——→”表示微电网间能量流动；“←·-·→”表示信息流动。
具体地，每个微电网均由小规模分布式能源和负荷构成。根据配电网大小特点，小规模能源数量或者微电网数量均可以增加。同时，图2中所有的微电网都是相互连接的，微电网可以是工业型、商业型、用户型等，每个微电网都将其信息发送给能量管理中心，包括储能装置充放电能力、可再生能源发电与负荷预测不确定范围、污染物排放量和微电网间购售电价格等。接收到上述信息后，能量管理中心按照预设多目标函数的最优值下发各微电网发电单元出力、微电网间购售电情况及大电网交互情况等。
在一些实施例中，考虑源网荷储的经济效益，兼顾系统低碳、环保运行，历史数据和实时运行数据可以作为求解预设多目标函数的最优值的基础数据，用于构建以最小化微电网系统运行成本为目标的预设多目标函数，即建立包括新能源发电成本、储能装置放电成本、微电网间能量交互成本、微网群向主网购电和售电成本在内的多目标优化模型。
在框120，将历史数据和实时运行数据输入预设灰狼算法模型，基于预设约束规则输出预设多目标函数的最优值；其中，最优值对应的最优种群为储能装置在最优调度方案下的充放电功率以及风力发电和光伏发电在最优调度方案下的发电功率。
在一些实施例中，预设灰狼算法模型可以是引入Tent混沌映射、收敛因子非线性调整策略和柯西变异算子这三种改进策略，构造出一种具有全局寻优性能的改进灰狼优化算法(immproved grey wolfoptimization，IGWO)，以解决微电网群的多目标优化调度的有力工具。
在一些实施例中，预设多目标函数的最优值可以是微电网群系统运行成本的最小值和/或配电网网损的最小值，预设目标函数的最优值对应的最优种群为储能装置在最优调度方案下的充放电功率以及风力发电和光伏发电在最优调度方案下的发电功率。
根据本公开的实施例，实现了以下技术效果：
能够获取微电网群中电源侧、电网侧、负荷侧以及储能侧的历史数据和实时运行数据；再将历史数据和实时运行数据输入预设灰狼算法模型，基于预设约束规则输出预设多目标函数的最优值；其中，最优值对应的最优种群为储能装置在最优调度方案下的充放电功率以及风力发电和光伏发电在最优调度方案下的发电功率；基于此，可以根据求解出的储能装置在最优调度方案下的充放电功率以及风力发电和光伏发电在最优调度方案下的发电功率完成配电网的经济调度，从而进行源网荷储协同调度，达到实现可再生能源的高效消纳，降低配电网运行成本并保证配电网可靠性运行的效果。
在一些实施例中，上述将历史数据和实时运行数据输入预设灰狼算法模型，基于预设约束规则输出预设多目标函数的最优值包括：
输入预设参数、历史数据和所述实时运行数据；预设参数包括进化代数、调节系数；
基于Tent混沌映射方程初始化预设多目标函数；
迭代计算初始化后的预设多目标函数对应的微电网群系统运行总成本，直至当前迭代次数等于或大于进化代数，输出预设目标函数的最优值；其中，在每一次迭代中初始化后的预设目标函数都满足预设约束规则。
在一些实施例中，上述迭代计算初始化后的预设多目标函数对应的微电网群系统运行总成本包括：
计算初始化后的预设多目标函数对应的微电网群系统运行总成本；
确定微电网群系统运行总成本对应的最优个体；
判断当前迭代次数是否小于进化代数；
若否，则基于对预设灰狼算法模型中收敛因子设置非线性调整策略，计算非线性参数，非线性参数用于更新调节系数；
根据更新后的调节系数，重新确定微电网群系统运行总成本对应的最优个体；
基于柯西变异算子，对重新确定的所述微电网群系统运行总成本对应的最优个体进行变异处理；
在当前迭代次数等于或大于所述进化代数的情况下，基于变异后的所述微电网群系统运行总成本对应的最优个体，再次计算初始化后的预设目标函数对应的微电网群系统运行总成本并确定对应的最优个体，输出预设多目标函数的最优值并结束迭代。
在一些实施例中，微电网群系统运行总成本可以是根据微电网群系统运行总成本和配电网网损计算得到的。微电网群系统运行总成本还可以是仅根据微电网群系统运行总成本计算得到的。
在一些实施例中，在计算预设多目标函数的最优值的过程中，基于迭代次数，循环计算初始化后的预设多目标函数对应的微电网群系统运行总成本，当当前迭代次数等于或大于进化代数，输出预设多目标函数的最优值。
在一些实施例中，预设多目标函数包括微电网群系统运行成本目标函数。微电网群系统运行成本目标函数包括新能源发电成本目标函数、储能装置放电成本目标函数、微电网间能量交互成本目标函数以及微电网群向主网购电、售电成本目标函数。
在一些实施例中，预设目标函数还包括配电网网损目标函数。
在一些实施例中，在每一次迭代中初始化后的预设多目标函数都满足预设约束规则，预设约束规则包括功率平衡约束规则、风光新能源出力限制规则、微网间电能交换功率限制规则、储能装置充放电功率限制规则以及节点电压约束规则。其中，功率平衡约束规则包括微电网群功率平衡约束规则和单微电网功率平衡约束规则。
在一些实施例中，灰狼优化算法(grey wolf optimization，GWO)主要是通过模拟狼群追踪、包围、攻击猎物等行为模式在解空间内实现对目标的搜索。其中，灰狼优化算法基本原理包括：假定一个D维搜索空间中，第i只灰狼的位置表示为Xi＝(Xi1，…，XiD)，其代表优化问题的一个候选解。根据灰狼的社会等级，狼群中适应度值最优的个体记为α狼，适应度值排名次优和第3的个体分别记为β和δ狼，其余个体记为ω狼。在GWO算法中，由α、β和δ狼的引导搜索，狼群其余个体跟随前面3种狼向猎物位置，即全局最优解逼近，引导模型包括：
Dp＝CXp(f)-X(f)
其中，Dp表示灰狼和猎物之间的距离，f表示当前迭代次数，Xp(f)表示猎物的位置，X(f)表示当前灰狼的位置；A、C表示协同系数。
协同系数由下列公式确定：
C＝2r1
A＝2ar2-a
其中，r1、r2为[0，1]之间的随机数；Fmax表示最大迭代次数；a表示收敛因子，其取值在迭代过程中从2线性减少到0。
灰狼群体通过位置更新策略，并借助A和C的随机变化，保障灰狼在全局范围内能搜索到最优解。
基于上述GWO算法，预设灰狼算法模型引入Tent混沌映射、收敛因子非线性调整策略和柯西变异算子这三种改进策略。
在一些实施例中，基于Tent混沌映射方程初始化预设多目标函数。其中，基于GWO算法采用随机生成方式产生初始种群，无法保证初始化个体尽可能均匀分布在整个搜索区域中，不利于提高算法的全局搜索性能；因此，利用混沌序列的随机性和遍历性，选择Tent映射方程产生初始种群，能使初始个体尽可能均匀分布在搜索区域中，以此来提高初始种群的多样性和适应性，加快种群进化进程。
上述Tent混沌映射方程包括：
其中，xf表示当前代个体，xf+1表示下一代个体。
在一些实施例中，基于对预设灰狼算法模型中收敛因子设置非线性调整策略，计算非线性参数。其中，基于GWO算法中收敛因子a的取值随迭代次数的增加而线性递减，这种变化方式不能对算法全局搜索和局部搜索过程进行有效均衡，不利于提升算法的全局寻优性能；因此，对收敛因子设置非线性调整策略。
在一些实施例中，上述对预设灰狼算法模型中收敛因子设置非线性调整策略包括：
其中，a表示非线性参数，aini表示非线性参数的起始值，afin表示非线性参数的终止值，k表示调节系数，取值范围为[1，5]，f表示当前迭代次数，Fmax表示最大迭代次数。
上述非线性调整策略能使收敛因子前期递减速度缓慢，有利于增强算法的全局探索能力；后期递减速度加快，能有效提高算法的收敛性。
在一些实施例中，基于柯西变异算子，对重新确定的所述微电网群系统运行总成本对应的最优个体进行变异处理。其中，基于GWO算法在进化后期因种群多样性的缺失易陷入局部极值而出现早熟收敛现象，为了克服这一缺陷，引入柯西变异算子以维持进化过程中种群的多样性和算法收敛性之间的平衡，有效提高算法摆脱局部最优解的能力，避免早熟现象的发生。
在一些实施例中，上述柯西变异算子包括：
Xg(f)＝Xg(f)+η×C(0，1)
其中，Xg(f)表示在当前代全局最优解，η表示变异权重，C(0，1)表示f＝1时的标准柯西随机分布，λ表示调整参数，其取值范围为[30，100]；f为大于等于1的正整数。
图3示出了根据本公开的实施例的预设灰狼算法模型的示意图。如图3所示，将历史数据和实时运行数据输入预设灰狼算法模型，基于预设约束规则输出预设多目标函数的最优值的流程包括：
(1)输入微电网群中源网荷储的历史数据和实时运行数据；
(2)设定IGWO算法初始种群规模、最大迭代次数、调节系数等参数，并确定优化变量的上下限；
(3)以风光发电功率和储能充放电功率为决策变量，利用Tent混沌映射公式产生满足变量上下限约束的初始灰狼种群，令f＝1；
(4)根据源网荷储和相关成本参数计算灰狼个体的适应度值；
(5)对灰狼个体的适应度值排序，取前3位的灰狼个体记为α、β和δ，其对应的位置信息分别记作Xα、Xβ、Xδ；
(6)若f＞Fmax，则输出最优灰狼个体，结束迭代；否则执行(7)；
(7)根据公式计算非线性因子a，并根据公式更新A、C的值；
(8)根据公式更新灰狼个体的位置，并重新计算每只灰狼的适应度值；
(9)确定当前代种群中最优灰狼个体并执行柯西变异操作，产生新的灰狼个体，令f＝f+1，返回(4)继续执行。
在一些实施例中，基于改进灰狼算法的微电网群多目标优化求解方法还可以包括：获取该地区有源配电网所包括的多个微电网中源网荷储历史数据和实时运行数据；建立多电微网经济性和稳定性目标函数，即预设多目标函数，确定微网群经济性和稳定性约束条件，即预设约束规则；建立多目标多约束条件的微网群优化模型；用改进灰狼算法求解多目标多约束条件的微网群优化模型；最优决策方案生成。
在一些实施例中，上述预设多目标函数包括微电网群系统运行成本多目标函数，上述最优值包括微电网群系统运行成本的最小值，上述微电网群系统运行成本目标函数包括：
C＝min C1+C2+C3+C4
其中，PWT，t，n表示第n个微电网内t时刻风力发电功率，PPV，t，n表示第n个微电网内t时刻光伏发电功率，an表示第n个微电网内风力发电单元成本，bn表示第n个微电网内光伏发电单元成本，N表示微电网群内微电网总数，T表示时段总数，C1表示新能源发电成本；Pdis，t，n表示第n个微电网内t时刻储能装置放电功率，cn表示第n个微电网内储能装置放电单元成本，C2表示储能装置放电成本；Pn表示第n个微电网向其他微电网供电功率，dn表示第n个微电网进行微电网间能量传输单元成本，C3表示微电网间能量交互成本；Pb，t表示t时刻主电网流入多微电网系统电量，Ps，t表示t时刻多微电网系统流入主电网电量，σ1，t表示t时刻售电，σ2，t表示t时刻购电电价，C4表示微电网群向主电网购电、售电成本；C表示微电网群系统运行成本的最小值；其中，n、t为大于等于1的正整数。
在一些实施例中，上述预设多目标函数还包括配电网网损目标函数，上述最优值还包括配电网网损的最小值，上述微电网群系统网损目标函数包括：
其中，C5n表示配电网中第n个微电网的网损，Pij表示微电网中节点i流向节点j的有功潮流，Pji表示微电网中节点j流向节点i的有功潮流，Ui表示节点i的电压，Uj表示节点j的电压，θij表示节点i、j之间的相角差，Gij表示节点i、j之间联络线路上的电导，N表示配电网中包括的微电网总数，Cl表示配电网网损的最小值；其中，n、i、j为大于等于1的正整数。
在一些实施例中，上述预设约束规则包括：
其中，PwT，t，n表示第n个微电网内t时刻风力发电功率，PPV，t，n表示第n个微电网内t时刻光伏发电功率，Pess，t，n表示第n个微电网内t时刻储能运行功率，放电为正，Pload，l，t，n表示第n个微电网内t时刻负荷功率，Ps表示多微电网系统流入主电网电量，Pin，n表示流入第n个微电网电量，Pout，n表示流出第n个微电网电量，PWT，max表示风力额定发电功率，PPV，max表示光伏额定发电功率，Pl，max表示微电网间能量交换的最大功率限制，Pb，t表示t时刻主电网流入多微电网系统电量，Ps，t表示t时刻多微电网系统流入主电网电量，St表示储能系统荷电状态，Smin表示储能系统荷电状态的下限值，Smax表示储能系统荷电状态的上限值，S0表示当日储能系统初始荷电状态，ST表示当日储能系统末尾荷电状态，Xt表示储能系统充电状态，Yt表示储能系统放电状态，Pcha，t表示t时刻储能装置充电功率，Pdis，t表示t时刻储能装置放电功率，Eb，n表示第n个微电网内储能系统容量，N1表示储能系统最大充电次数，N2表示储能系统最大放电次数，Δt表示系统运行的时间间隔，Eb表示储能系统容量，Vi表示节点i的电压幅值，Vi，min表示节点i的电压幅值最小允许值，Vi，max表示节点i的电压幅值最大允许值；其中，n、t、i为大于等于1的正整数。
其中，微电网群功率平衡约束规则包括：
单微电网功率平衡约束规则包括：
PWT，t，n+PPV，t，n+Pess，t，n+Pin，n＝Pload，l，t，n+Pout，n
风光新能源出力限制规则包括：
0≤PWT，t≤PWT，max
0≤PPV，t≤PPV，max
微网间电能交换功率限制规则包括：
0≤Pin，n≤Pl，max
0≤Pout，n≤Pl，max
Pb，min≤Pb，t≤Pb，max
Ps，min≤Ps，t≤Ps，max
储能装置充放电功率限制规则包括：
Smin≤St≤Smax
S0＝ST
Xt·Yt＝0
0≤Pcha，t≤0.2Eb，nXt
0≤Pdis，t≤0.2Eb，nYt
节点电压约束规则包括：
Vi，min≤Vi≤Vi，max
综上所述，基于上述改进灰狼算法的多目标优化调度求解方法，综合考虑经济效益、环境效益和运行稳定性，通过构建多目标多约束条件的微网群数学模型，即构建预设多目标函数和预设约束规则，并引入Tent混沌映射、收敛因子非线性调整策略和柯西变异算子这三种改进策略，构造出一种具有全局寻优性能的改进灰狼优化算法，对所建立的微网群模型进行求解，从而实现微电网系统间的能量互助，提高系统运行经济性和稳定性。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本公开并不受所描述的动作顺序的限制，因为依据本公开，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本公开所必须的。
以上是关于方法实施例的介绍，以下通过装置实施例，对本公开所述方案进行进一步说明。
图4示出了根据本公开的实施例的基于改进灰狼算法的微电网群多目标优化求解装置400的方框图。如图4所示，装置400包括：
获取模块410，用于获取微电网群中电源侧、电网侧、负荷侧以及储能侧的历史数据和实时运行数据；
计算模块420，用于将历史数据和实时运行数据输入预设灰狼算法模型，基于预设约束规则输出预设多目标函数的最优值；其中，最优值对应的最优种群为储能装置在最优调度方案下的充放电功率以及风力发电和光伏发电在最优调度方案下的发电功率。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，所述描述的模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图5示出了能够实施本公开的实施例的示例性电子设备500的方框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
电子设备500包括计算单元501，其可以根据存储在ROM502中的计算机程序或者从存储单元508加载到RAM503中的计算机程序，来执行各种适当的动作和处理。在RAM503中，还可存储电子设备500操作所需的各种程序和数据。计算单元501、ROM502以及RAM503通过总线504彼此相连。I/O接口505也连接至总线504。
电子设备500中的多个部件连接至I/O接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许电子设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理，例如方法100。例如，在一些实施例中，方法100可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元508。
在一些实施例中，计算机程序的部分或者全部可以经由ROM502和/或通信单元509而被载入和/或安装到电子设备500上。当计算机程序加载到RAM503并由计算单元501执行时，可以执行上文描述的方法XXX的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法100。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (10)

1.一种基于改进灰狼算法的微电网群多目标优化求解方法，其特征在于，包括：
获取微电网群中电源侧、电网侧、负荷侧以及储能侧的历史数据和实时运行数据；
将所述历史数据和所述实时运行数据输入预设灰狼算法模型，基于预设约束规则输出预设多目标函数的最优值；其中，所述最优值对应的最优种群为储能装置在最优调度方案下的充放电功率以及风力发电和光伏发电在最优调度方案下的发电功率。
2.根据权利要求1所述的方法，其特征在于，所述将所述历史数据和所述实时运行数据输入预设灰狼算法模型，基于预设约束规则输出预设多目标函数的最优值包括：
输入预设参数、所述历史数据和所述实时运行数据；所述预设参数包括进化代数、调节系数；
基于Tent混沌映射方程初始化预设多目标函数；
迭代计算初始化后的预设多目标函数对应的微电网群系统运行总成本，直至当前迭代次数等于或大于所述进化代数，输出预设目标函数的最优值；其中，在每一次迭代中初始化后的预设目标函数都满足预设约束规则。
3.根据权利要求2所述的方法，其特征在于，所述迭代计算初始化后的预设多目标函数对应的微电网群系统运行总成本包括：
计算初始化后的预设多目标函数对应的微电网群系统运行总成本；
确定所述微电网群系统运行总成本对应的最优个体；
判断当前迭代次数是否小于所述进化代数；
若否，则基于对预设灰狼算法模型中收敛因子设置非线性调整策略，计算非线性参数，所述非线性参数用于更新调节系数；
根据更新后的调节系数，重新确定所述微电网群系统运行总成本对应的最优个体；
基于柯西变异算子，对重新确定的所述微电网群系统运行总成本对应的最优个体进行变异处理；
在当前迭代次数等于或大于所述进化代数的情况下，基于变异后的所述微电网群系统运行总成本对应的最优个体，再次计算初始化后的预设目标函数对应的微电网群系统运行总成本并确定对应的最优个体，输出预设多目标函数的最优值并结束迭代。
4.根据权利要求3所述的方法，其特征在于，
所述Tent混沌映射方程包括：
所述对预设灰狼算法模型中收敛因子设置非线性调整策略包括：
所述柯西变异算子包括：
Xg(f)＝Xg(f)+η×C(0,1)
其中，xf表示当前代个体，xf+1表示下一代个体；a表示非线性参数，aini表示非线性参数的起始值，afin表示非线性参数的终止值，k表示调节系数，f表示当前迭代次数，Fmax表示最大迭代次数；Xg(f)表示在当前代全局最优解，η表示变异权重，C(0,1)表示f＝1时的标准柯西随机分布，λ表示调整参数；f为大于等于1的正整数。
5.根据权利要求1所述的方法，其特征在于，所述预设多目标函数包括微电网群系统运行成本多目标函数，所述最优值包括微电网群系统运行成本的最小值，所述微电网群系统运行成本目标函数包括：
C＝min C1+C2+C3+C4
其中，PWT,t,n表示第n个微电网内t时刻风力发电功率，PPV,t,n表示第n个微电网内t时刻光伏发电功率，an表示第n个微电网内风力发电单元成本，bn表示第n个微电网内光伏发电单元成本，N表示微电网群内微电网总数，T表示时段总数，C1表示新能源发电成本；Pdis,t,n表示第n个微电网内t时刻储能装置放电功率，cn表示第n个微电网内储能装置放电单元成本，C2表示储能装置放电成本；Pn表示第n个微电网向其他微电网供电功率，dn表示第n个微电网进行微电网间能量传输单元成本，C3表示微电网间能量交互成本；Pb,t表示t时刻主电网流入多微电网系统电量，Ps,t表示t时刻多微电网系统流入主电网电量，σ1,t表示t时刻售电，σ2,t表示t时刻购电电价，C4表示微电网群向主电网购电、售电成本；C表示微电网群系统运行成本的最小值；其中，n、t为大于等于1的正整数。
6.根据权利要求5所述的方法，其特征在于，所述预设多目标函数还包括配电网网损目标函数，所述最优值还包括配电网网损的最小值，所述微电网群系统网损目标函数包括：
其中，C5n表示配电网中第n个微电网的网损，Pij表示微电网中节点i流向节点j的有功潮流，Pji表示微电网中节点j流向节点i的有功潮流，Ui表示节点i的电压，Uj表示节点j的电压，θij表示节点i、j之间的相角差，Gij表示节点i、j之间联络线路上的电导，N表示配电网中包括的微电网总数，Cl表示配电网网损的最小值；其中，n、i、j为大于等于1的正整数。
7.根据权利要求6所述的方法，其特征在于，所述预设约束规则包括：
其中，PWT,,表示第n个微电网内t时刻风力发电功率，PPV,,表示第n个微电网内t时刻光伏发电功率，Pess,t,n表示第n个微电网内t时刻储能运行功率，放电为正，Pload,l,,表示第n个微电网内t时刻负荷功率，Ps表示多微电网系统流入主电网电量，Pin,表示流入第n个微电网电量，Pout,n表示流出第n个微电网电量，PWT,表示风力额定发电功率，PPV,表示光伏额定发电功率，Pl,max表示微电网间能量交换的最大功率限制，Pb,t表示t时刻主电网流入多微电网系统电量，Ps,t表示t时刻多微电网系统流入主电网电量，St表示储能系统荷电状态，Smin表示储能系统荷电状态的下限值，Smax表示储能系统荷电状态的上限值，S0表示当日储能系统初始荷电状态，ST表示当日储能系统末尾荷电状态，Xt表示储能系统充电状态，Yt表示储能系统放电状态，Pcha,t表示t时刻储能装置充电功率，Pdis,t表示t时刻储能装置放电功率，Eb,n表示第n个微电网内储能系统容量，N1表示储能系统最大充电次数，N2表示储能系统最大放电次数，Δt表示系统运行的时间间隔，Eb表示储能系统容量，Vi表示节点i的电压幅值，Vi,min表示节点i的电压幅值最小允许值，Vi,max表示节点i的电压幅值最大允许值；其中，n、t、i为大于等于1的正整数。
8.一种基于改进灰狼算法的微电网群多目标优化求解装置，其特征在于，包括：
获取模块，用于获取微电网群中电源侧、电网侧、负荷侧以及储能侧的历史数据和实时运行数据；
计算模块，用于将所述历史数据和所述实时运行数据输入预设灰狼算法模型，基于预设约束规则输出预设多目标函数的最优值；其中，所述最优值对应的最优种群为储能装置在最优调度方案下的充放电功率以及风力发电和光伏发电在最优调度方案下的发电功率。
9.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一权利要求所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行根据权利要求1-7中任一权利要求所述的方法。
CN202310745894.6A 2023-06-21 2023-06-21 基于改进灰狼算法的微电网群多目标优化求解方法和装置 Pending CN116937584A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310745894.6A CN116937584A (zh) 2023-06-21 2023-06-21 基于改进灰狼算法的微电网群多目标优化求解方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310745894.6A CN116937584A (zh) 2023-06-21 2023-06-21 基于改进灰狼算法的微电网群多目标优化求解方法和装置

Publications (1)

Publication Number Publication Date
CN116937584A true CN116937584A (zh) 2023-10-24

Family

ID=88393342

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310745894.6A Pending CN116937584A (zh) 2023-06-21 2023-06-21 基于改进灰狼算法的微电网群多目标优化求解方法和装置

Country Status (1)

Country Link
CN (1) CN116937584A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117791612A (zh) * 2024-02-26 2024-03-29 浙电(宁波北仑)智慧能源有限公司 一种资源集群调控方法、系统、存储介质及计算机设备

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117791612A (zh) * 2024-02-26 2024-03-29 浙电(宁波北仑)智慧能源有限公司 一种资源集群调控方法、系统、存储介质及计算机设备

Similar Documents

Publication Publication Date Title
Luo et al. Short‐term operational planning framework for virtual power plants with high renewable penetrations
Li et al. Mean-variance model for power system economic dispatch with wind power integrated
Hardiansyah et al. Solving economic load dispatch problem using particle swarm optimization technique
CN116207739B (zh) 配电网优化调度方法、装置、计算机设备和存储介质
CN117039895A (zh) 一种用于储能辅助黑启动的风功率预测方法及系统
CN112784484A (zh) 一种区域综合能源系统多目标优化方法及优化系统
CN116937584A (zh) 基于改进灰狼算法的微电网群多目标优化求解方法和装置
Ghatak et al. Optimal allocation of DG using exponentential PSO with reduced search space
CN107171365A (zh) 基于场景解耦和异步迭代的多目标随机动态经济调度方法
CN116260130A (zh) 微网群功率协同调度方法和装置
CN115347586A (zh) 多约束多目标优化的新能源场站储能优化配置系统与方法
Dey et al. Hybrid intelligence techniques for unit commitment of microgrids
Al-Saffar et al. Distributed optimal power flow for electric power systems with high penetration of distributed energy resources
Di Silvestre et al. Modelling energy storage systems using Fourier analysis: An application for smart grids optimal management
CN116683471B (zh) 无功功率补偿资源的配置方法、装置以及设备
CN116707036B (zh) 基于光伏逆变器的无功功率补偿方法、装置以及设备
Cheng et al. Short-term power load forecasting based on improved online ELM-K
Alhasnawi et al. A new methodology for reducing carbon emissions using multi-renewable energy systems and artificial intelligence
CN116307199A (zh) 一种电力系统负荷预测方法
CN116780665B (zh) 基于光伏逆变器与智能控制终端的无功功率补偿方法
CN117911197B (zh) 基于改进多目标粒子群算法的光伏选址定容方法及系统
CN109388854A (zh) 基于主元分析的综合能源系统众多目标优化方法
CN116683472B (zh) 无功功率补偿方法、装置、设备以及存储介质
CN117094537B (zh) 电网规划方法、装置、电子设备和存储介质
CN117154730A (zh) 基于改进遗传算法的源网荷储协同调度求解方法和装置

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