CN117239741B - 一种自适应微电网电力调度方法及系统 - Google Patents
一种自适应微电网电力调度方法及系统 Download PDFInfo
- Publication number
- CN117239741B CN117239741B CN202311508153.2A CN202311508153A CN117239741B CN 117239741 B CN117239741 B CN 117239741B CN 202311508153 A CN202311508153 A CN 202311508153A CN 117239741 B CN117239741 B CN 117239741B
- Authority
- CN
- China
- Prior art keywords
- state
- qubit
- grid
- power supply
- micro
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 116
- 239000002096 quantum dot Substances 0.000 claims abstract description 193
- 230000008901 benefit Effects 0.000 claims abstract description 124
- 230000007613 environmental effect Effects 0.000 claims abstract description 61
- 238000005259 measurement Methods 0.000 claims abstract description 58
- 238000004146 energy storage Methods 0.000 claims abstract description 54
- 238000005457 optimization Methods 0.000 claims abstract description 29
- 238000013178 mathematical model Methods 0.000 claims abstract description 23
- 238000011217 control strategy Methods 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims description 54
- 239000011159 matrix material Substances 0.000 claims description 32
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 19
- 229910052799 carbon Inorganic materials 0.000 claims description 19
- 238000000137 annealing Methods 0.000 claims description 16
- 230000003044 adaptive effect Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000005611 electricity Effects 0.000 claims description 11
- 230000008878 coupling Effects 0.000 claims description 8
- 238000010168 coupling process Methods 0.000 claims description 8
- 238000005859 coupling reaction Methods 0.000 claims description 8
- 230000003993 interaction Effects 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 230000001808 coupling effect Effects 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 4
- 238000012804 iterative process Methods 0.000 claims description 3
- 238000010248 power generation Methods 0.000 description 7
- 239000000446 fuel Substances 0.000 description 4
- 239000013598 vector Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000005283 ground state Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Landscapes
- Control Of Electrical Variables (AREA)
Abstract
本发明提供了一种自适应微电网电力调度方法及系统,属于电力调度技术领域。首先构建量子比特的数学模型和微电网目标函数;其次使用分布式优化算法更新状态和操作,使得所述微电网目标函数达到最优,输出最优状态和最优操作;最后根据最优状态和最优操作,使用分布式控制策略实时调整量子比特的状态和操作。本发明利用量子比特的数学模型构建微电网的状态、测量和操作,结合分布式优化算法对微电网目标函数进行优化,从而实现经济效益、环保效益和供电可靠性的最优化。通过综合考虑光伏系统、储能系统和电动车系统等多种分布式电源的影响,能够有效地实现对微电网系统运行的智能调度和管理。
Description
技术领域
本发明属于电力调度技术领域,具体涉及一种自适应微电网电力调度方法及系统。
背景技术
随着全球能源需求的增长和可再生能源的推广,微电网作为一种新型的能源供应模式,逐渐受到越来越多的关注。微电网是一种分布式电源系统,由多种能源资源(如太阳能、风能等)、储能装置以及能源管理系统组成,可以根据需求进行供电或并网运行。然而,微电网中各种分布式能源的高度分散和异构性质,使得其运行和调度面临着诸多挑战,特别是考虑到多种能源的复杂互联及其不稳定性。在传统的微电网电力调度方法中,通常采用基于规则的静态优化策略,无法有效应对复杂的电力系统变化。因此,需要一种自适应微电网电力调度方法的研究变得尤为重要。
发明内容
基于上述技术问题,本发明提供一种自适应微电网电力调度方法及系统,利用量子比特的数学模型和分布式优化算法,能够实现微电网的经济效益、环保效益和供电可靠性的最优化。
本发明提供一种自适应微电网电力调度方法,所述方法包括:
步骤S1:构建量子比特的数学模型;所述数学模型包括状态、测量和操作;
步骤S2:构建微电网目标函数;所述微电网目标函数包括经济效益、环保效益和供电可靠性;
步骤S3:使用分布式优化算法更新所述状态和所述操作,使得所述微电网目标函数达到最优,输出最优状态和最优操作;
步骤S4:根据所述最优状态和所述最优操作,使用分布式控制策略实时调整量子比特的所述状态和所述操作。
可选地,所述构建量子比特的数学模型,具体包括:
状态:
测量:,/>
操作:
式中,和/>分别为每个量子比特的状态的复数的实部和虚部,/>表示虚部单位,和/>分别为每个量子比特的操作的幺正矩阵的元素,/>测量结果/>的概率,/>的取值结果为/>,/>为并网模式,/>为离网模式,/>为每个分布式电源的运行状态或控制参数的归一化值,/>为幺正矩阵。
可选地,所述构建微电网目标函数,具体包括:
光伏系统的经济效益、环保效益和供电可靠性指标分别为:
式中,为光伏系统经济效益,/>为输出功率,/>为电价,/>为成本,/>为光伏系统环保效益,/>为碳排放系数,/>为碳税,/>为光伏系统供电可靠性,/>为负荷需求;
储能系统的经济效益、环保效益和供电可靠性指标分别为:
式中,为储能系统经济效益,/>为充放电功率,/>为储能系统环保效益,为储能系统供电可靠性,/>为储能水平,/>为最大容量;
电动车系统的经济效益、环保效益和供电可靠性指标分别为:
式中,为电动车系统经济效益,/>为电动车系统环保效益,/>为电动车供电可靠性,/>为剩余电量;
微电网目标函数为:
式中,,/>,/>分别为经济效益、环保效益和供电可靠性的权重系数,/>,,/>分别为第/>个分布式电源的经济效益、环保效益和供电可靠性指标,,分布式电源包括光伏系统、储能系统和电动车系统。
可选地,所述使用分布式优化算法更新所述状态和所述操作,使得所述微电网目标函数达到最优,输出最优状态和最优操作,具体包括:
初始化每个量子比特的所述状态为最大叠加态;
设置退火参数,计算所述每个量子比特的有效哈密顿量,具体包括:
有效哈密顿量公式为:
式中,为初始哈密顿量,/>为目标哈密顿量,/>为退火参数;
初始哈密顿量公式为:
式中,表示一个由个量子比特组成的系统,在一个沿/>轴方向的均匀磁场中的能量;/>为第/>个量子比特的磁场强度,/>为第/>个量子比特的泡利矩阵,表示该量子比特在/>轴方向上的自旋状态;
目标哈密顿量公式为:
式中,表示一个由个量子比特组成的系统,在一个沿/>轴方向的非均匀磁场中,并且存在两两之间的耦合作用的能量;/>为第/>个量子比特的偏置项,表示该量子比特在/>轴方向上受到的磁场力;/>是第/>个和第/>个量子比特之间的耦合项,表示这两个量子比特在/>轴方向上自旋状态的相互影响;/>和/>为第/>个和第/>个量子比特上的泡利矩阵,它表示该量子比特在/>轴方向上的自旋状态;
计算所述每个量子比特的有效能量,公式为:;
式中,和/>分别为每个量子比特的状态的复数的实部和虚部,/>表示虚部单位;
更新所述每个量子比特的所述状态和所述操作,使得减小;
向其他量子比特或主网发送自己的所述状态,并接收所述其他量子比特或主网发送的所述状态,直到为1或者达到预设的迭代次数;
测量所述每个量子比特的所述状态,得到最优状态和最优操作。
可选地,所述根据所述最优状态和所述最优操作,使用分布式控制策略实时调整量子比特的所述状态和所述操作,具体包括:
计算每个量子比特的测量规则和操作规则;
根据所述测量规则,对所述每个量子比特进行测量,得到测量结果;
根据所述测量结果,判断所述每个量子比特是否需要调节控制参数,如果需要,则根据所述操作规则,对所述每个量子比特更新所述状态和所述操作;
向其他量子比特或主网发送自己的所述操作,并接收其他量子比特或主网发送的所述操作;
重复以上步骤,直至所述每个量子比特达到期望状态和期望操作。
本发明还提供一种自适应微电网电力调度系统,所述系统包括:
量子比特模型构建模块,用于构建量子比特的数学模型;所述数学模型包括状态、测量和操作;
目标函数构建模块,用于构建微电网目标函数;所述微电网目标函数包括经济效益、环保效益和供电可靠性;
最优解迭代模块,用于使用分布式优化算法更新所述状态和所述操作,使得所述微电网目标函数达到最优,输出最优状态和最优操作;
参数实时更新模块,用于根据所述最优状态和所述最优操作,使用分布式控制策略实时调整量子比特的所述状态和所述操作。
可选地,所述量子比特模型构建模块,具体包括:
状态:
测量:,/>
操作:
式中,和/>分别为每个量子比特的状态的复数的实部和虚部,/>表示虚部单位,和/>分别为每个量子比特的操作的幺正矩阵的元素,/>为测量结果/>的概率,/>的取值结果为/>,/>为并网模式,/>为离网模式,/>为每个分布式电源的运行状态或控制参数的归一化值,/>为幺正矩阵。
可选地,所述目标函数构建模块,具体包括:
光伏系统的经济效益、环保效益和供电可靠性指标分别为:
式中,为光伏系统经济效益,/>为输出功率,/>为电价,/>为成本,/>为光伏系统环保效益,/>为碳排放系数,/>为碳税,/>为光伏系统供电可靠性,/>为负荷需求;
储能系统的经济效益、环保效益和供电可靠性指标分别为:
式中,为储能系统经济效益,/>为充放电功率,/>为储能系统环保效益,为储能系统供电可靠性,/>为储能水平,/>为最大容量;
电动车系统的经济效益、环保效益和供电可靠性指标分别为:
式中,为电动车系统经济效益,/>为电动车系统环保效益,/>为电动车供电可靠性,/>为剩余电量;
微电网目标函数为:
式中,,/>,/>分别为经济效益、环保效益和供电可靠性的权重系数,/>,,/>分别为第/>个分布式电源的经济效益、环保效益和供电可靠性指标,,分布式电源包括光伏系统、储能系统和电动车系统。
可选地,所述最优解迭代模块,具体包括:
初始化子模块,用于初始化每个量子比特的所述状态为最大叠加态;
有效哈密顿量计算子模块,设置退火参数,计算所述每个量子比特的有效哈密顿量,具体包括:
有效哈密顿量公式为:
式中,为初始哈密顿量,/>为目标哈密顿量,/>为退火参数;
初始哈密顿量公式为:
式中,表示一个由个量子比特组成的系统,在一个沿/>轴方向的均匀磁场中的能量;/>为第/>个量子比特的磁场强度,/>为第/>个量子比特的泡利矩阵,表示该量子比特在/>轴方向上的自旋状态;
目标哈密顿量公式为:
式中,表示一个由个量子比特组成的系统,在一个沿/>轴方向的非均匀磁场中,并且存在两两之间的耦合作用的能量;/>为第/>个量子比特的偏置项,表示该量子比特在/>轴方向上受到的磁场力;/>是第/>个和第/>个量子比特之间的耦合项,表示这两个量子比特在/>轴方向上自旋状态的相互影响;/>和/>为第/>个和第/>个量子比特上的泡利矩阵,它表示该量子比特在/>轴方向上的自旋状态;
有效能量计算子模块,用于计算所述每个量子比特的有效能量,公式为:;
式中,和/>分别为每个量子比特的状态的复数的实部和虚部,/>表示虚部单位;
量子比特更新子模块,用于更新所述每个量子比特的所述状态和所述操作,使得减小;
迭代过程判断子模块,用于向其他量子比特或主网发送自己的所述状态,并接收所述其他量子比特或主网发送的所述状态,直到为1或者达到预设的迭代次数;
最优参数确定子模块,用于测量所述每个量子比特的所述状态,得到最优状态和最优操作。
可选地,所述参数实时更新模块,具体包括:
规则计算子模块,用于计算每个量子比特的测量规则和操作规则;
测量结果确定子模块,用于根据所述测量规则,对所述每个量子比特进行测量,得到测量结果;
控制参数调节子模块,用于根据所述测量结果,判断所述每个量子比特是否需要调节控制参数,如果需要,则根据所述操作规则,对所述每个量子比特更新所述状态和所述操作;
发送接收子模块,用于向其他量子比特或主网发送自己的所述操作,并接收其他量子比特或主网发送的所述操作;
遍历子模块,用于重复以上步骤,直至所述每个量子比特达到期望状态和期望操作。
本发明与现有技术相比,具有以下有益效果:
本发明采用量子比特的数学模型,能够更有效地处理复杂的电力调度问题,并提高电力系统的稳定性和可靠性;结合了经济效益、环保效益和供电可靠性等多方面因素的考虑,能够实现对微电网系统运行的全面优化,降低能源成本,减少碳排放;利用量子计算的特性进行优化和控制,可以实现微电网系统的高效调度和稳定运行。量子计算的并行性和优化能力能够显著提高微电网的能源利用效率和经济效益,同时降低能源消耗和环境污染。量子计算的快速计算速度和优化搜索能力能够有效解决微电网中的复杂优化问题和控制难题,提高微电网的供电可靠性和安全性,为用户提供稳定可靠的能源供应。
附图说明
图1为本发明的一种自适应微电网电力调度方法流程图;
图2为本发明的一种自适应微电网电力调度系统结构图。
具体实施方式
下面结合具体实施案例和附图对本发明作进一步说明,但本发明并不局限于这些实施例。
实施例1
如图1所示,本发明公开一种自适应微电网电力调度方法,方法包括:
步骤S1:构建量子比特的数学模型;数学模型包括状态、测量和操作。
步骤S2:构建微电网目标函数;微电网目标函数包括经济效益、环保效益和供电可靠性。
步骤S3:使用分布式优化算法更新状态和操作,使得微电网目标函数达到最优,输出最优状态和最优操作。
步骤S4:根据最优状态和最优操作,使用分布式控制策略实时调整量子比特的状态和操作。
下面对各个步骤进行详细论述:
步骤S1:构建量子比特的数学模型;数学模型包括状态、测量和操作。
步骤S1具体包括。
为了建立微电网中各个量子比特的数学模型,首先定义每个分布式电源的运行状态和控制参数。具体包括:
对于光伏(PV)系统,定义其运行状态为输出功率,控制参数为最大功率点跟踪(MPPT)系数/>;/>这个系数是光伏系统的最大功率点跟踪(MPPT)系数,是一个用来调节光伏系统输出电压的比例系数,与开路电压(VOC)的关系为:
式中,为参考电压,/>为开路电压,/>的值是根据实验或建模确定的,以使光伏系统在不同的日照和温度条件下能够输出最大的功率。/>的值通常在0.7到0.8之间。/>这个系数已经隐含在光伏系统的输出功率/>中,为内部参数,它只影响光伏系统自身的运行状态和控制参数,在后续内容中不对/>进行论述。
对于储能(ES)系统,定义其运行状态为储能水平,控制参数为充放电功率/>;对于电动车(EV)系统,定义其运行状态为剩余电量/>,控制参数为充放电功率/>和充放电时间/>。对于其他类型的分布式电源,根据实际情况类似地定义其运行状态和控制参数。
将每个分布式电源的运行状态和控制参数映射到一个量子比特的状态和操作上。具体来说,使用一个二进制变量来表示每个分布式电源是处于并网模式(/>=0)还是离网模式(/>=1),/>的取值范围为/>。
为了方便分析和控制不同类型的分布式电源,使用一个连续变量,/>的取值范围为/>,表示每个分布式电源的运行状态或控制参数的归一化值。它反映了分布式电源的输出或储存能力与其最大值的比例。对于光伏系统,使用/>来表示输出功率与额定功率的比值。对于储能系统,使用/>来表示储能水平与最大容量的比值。对于电动车系统,使用/>来表示剩余电量与最大容量的比值,根据实际情况具体设定其他类型的分布式电源。
本实施例中,如果一个光伏系统的额定功率是100千瓦,而它当前的输出功率是80千瓦,那么它的值就是0.8,表示它的输出能力达到了80%。如果一个储能系统的最大容量是50千瓦时,而它当前的储能水平是25千瓦时,那么它的/>值就是0.5,表示它的储存能力达到了50%。
不是一个固定的值,而是随着分布式电源的运行状态或控制参数的变化而变化的。不同类型的分布式电源有不同的运行状态或控制参数,所以/>也有不同的含义。但是,通过归一化处理,可以用同一个变量来表示不同类型的分布式电源,并且可以比较它们之间的差异和相似性。
在本实施例中,使用了多个量子比特来表示微电网中的分布式电源。每个量子比特都有两个能级,分别对应发电或不发电的状态。发电或不发电是指分布式电源是否向微电网提供电能。发电时,分布式电源会消耗自身的能源(如燃料、风能、太阳能等),并向微电网输出一定功率的交流电。不发电时,分布式电源不会消耗自身的能源,也不会向微电网输出任何功率。因为微电网中的分布式电源不仅仅包括光伏、储能和电动车,还有其他类型的电源,例如风力发电、燃料电池、微型燃气轮机等。因此,根据微电网中实际存在的分布式电源的种类和数量,来确定需要多少个量子比特来表示它们,具体根据实际情况具体设定。
首先,需要知道微电网中每种类型的分布式电源的容量和数量。例如,如果微电网中有10kW的光伏、5kW的储能、3kW的电动车、2kW的风力发电和1kW的燃料电池。
其次,需要确定一个合适的量子比特的容量单位。例如,如果选择1kW作为一个量子比特的容量单位,那么就意味着每个量子比特可以表示1kW的发电或不发电的状态。
最后,需要根据每种类型的分布式电源的容量和数量,以及量子比特的容量单位,来计算需要多少个量子比特。例如,如果选择1kW作为一个量子比特的容量单位,那么就需要10个量子比特来表示10kW的光伏、5个量子比特来表示5kW的储能、3个量子比特来表示3kW的电动车、2个量子比特来表示2kW的风力发电和1个量子比特来表示1kW的燃料电池。因此,总共需要21个量子比特来表示微电网中的分布式电源。
构建量子比特的数学模型;数学模型包括状态、测量和操作,具体包括:
状态:
测量:,/>
操作:
式中,表示虚部单位,满足/>,也表示复数在复平面上的旋转方向,/>和/>分别为每个量子比特的状态的复数的实部和虚部,也表示每个分布式电源的运行状态或控制参数的归一化值对应的概率和角度,可以用一个概率/>来表示复数在复平面上的横坐标;状态公式的意义是将一个二维的复平面(复数)映射到一个单位圆上(三角函数),可以用一个复数来描述每个量子比特的状态,而不需要用两个实数;复数的实部视为量子比特处于某个状态的概率振幅,而把复数的虚部视为对应状态的相位角度。
和/>表达的含义不一样,/>表示每个分布式电源的运行状态或控制参数的归一化值对应的角度,也表示复数在复平面上的纵坐标,也就是虚部。/>表示每个分布式电源的运行状态或控制参数的归一化值,也就是输出功率、储能水平或剩余电量等与最大值的比值。/>和/>之间有一个三角函数关系,可以用以下公式来表示:
这两个公式可以相互转换,用来将一个连续变量映射到一个二进制变量/>上,或者反过来。这样,可以用不同的方式来表示每个分布式电源的运行状态或控制参数。
和/>是用来表示每个量子比特的测量结果的概率;/>为测量结果/>的概率,/>的取值结果为/>,/>为并网模式,/>为离网模式,并网模式是指分布式电源与电网相连,可以向电网发电或从电网取电;并网模式需要依赖现有的电网才能运行,但是可以提高能源利用率和经济效益;离网模式是指分布式电源与电网相断,只能给本地负载供电;离网模式不依赖于电网,可以适应无电区或停电频繁的场合,但是需要增加储能装置和控制装置。/>和/>分别表示复数/>中实部和虚部的平方。这个公式的意义是将每个量子比特的状态映射到一个概率空间上(概率)。这样,就可以用一个概率来描述每个量子比特被测量后得到某个结果(并网或离网)的可能性。
和/>分别为每个量子比特的操作的幺正矩阵的元素,也表示每个分布式电源被操作后发生变化的幅度和方向。可以使用一个矩阵(/>)来表示每个量子比特的操作。其中,是一个2×2的幺正矩阵,满足/>。其中,/>是/>的共轭转置矩阵,/>是单位矩阵。这个公式的意义是将每个量子比特的状态乘以一个幺正矩阵(矩阵乘法),得到一个新的复数(新状态)。这样,就可以用一个幺正矩阵来描述每个量子比特被操作后发生变化(旋转或反转)。
操作矩阵()可以用四个元素/>,/>,/>和/>来表示,若对量子比特进行作用,结果如下:
式中,用代替/>,用/>代替/>,得到操作/>对量子比特/>的效果,即/>。
状态向量中的和/>是复数,与/>和/>一起构成了一个复数/>。这个复数就相当于一个二维向量,它可以在复平面上画出一个点,这个点就代表了量子比特的状态。状态向量中的/>和/>也决定了量子比特测量结果的概率。当对一个量子比特进行测量时,会得到一个经典比特的结果,也就是0或1。这个结果的概率就由/>和/>的模长决定。具体来说,/>,/>如果多次测量一个量子比特,那么得到0的次数占总次数的比例就接近于/>,得到1的次数占总次数的比例就接近于/>。
步骤S2:构建微电网目标函数。
步骤S2具体包括:
光伏系统的经济效益、环保效益和供电可靠性指标分别为:
式中,为光伏系统经济效益,/>为输出功率,/>为电价,/>为成本,/>为光伏系统环保效益,/>为碳排放系数,/>为碳税,/>为光伏系统供电可靠性,/>为负荷需求。对于光伏系统,经济效益为输出功率乘以电价减去成本,环保效益为输出功率乘以碳排放系数减去碳税,供电可靠性为输出功率与负荷需求之差的绝对值。
储能系统的经济效益、环保效益和供电可靠性指标分别为:
式中,为储能系统经济效益,/>为充放电功率,/>为储能系统环保效益,为储能系统供电可靠性,/>为储能水平,/>为最大容量。对于储能系统,经济效益为充放电功率乘以电价减去成本,环保效益为充放电功率乘以碳排放系数减去碳税,供电可靠性为储能水平与最大容量之差的绝对值。/>
电动车系统的经济效益、环保效益和供电可靠性指标分别为:
式中,为电动车系统经济效益,/>为电动车系统环保效益,/>为电动车供电可靠性,/>为剩余电量。对于电动车系统,经济效益为充放电功率乘以电价减去成本,环保效益为充放电功率乘以碳排放系数减去碳税,供电可靠性为剩余电量与最大容量之差的绝对值。对于其他类型的分布式电源,根据实际情况具体设定其经济效益、环保效益和供电可靠性等指标。
微电网目标函数为:
式中,,/>,/>分别为经济效益、环保效益和供电可靠性的权重系数,/>,,/>分别为第/>个分布式电源的经济效益、环保效益和供电可靠性指标,,分布式电源包括光伏系统、储能系统和电动车系统。
步骤S3:使用分布式优化算法更新状态和操作,使得微电网目标函数达到最优,输出最优状态和最优操作。
步骤S3具体包括:
初始化每个量子比特的状态为最大叠加态,和/>分别为/>和/>,每个量子比特的初始状态的概率为0.5。它表示每个量子比特有50%的概率处于|0>态,也有50%的概率处于|1>态;让每个量子比特有更多的可能性来探索不同的解空间,从而增加找到全局最优解的概率。
设置退火参数,计算每个量子比特的有效哈密顿量,具体包括:
有效哈密顿量公式为:
式中,为初始哈密顿量,/>为目标哈密顿量,/>为退火参数;初始哈密顿量是一种使得每个量子比特处于最大叠加态的哈密顿量。目标哈密顿量是一种使得每个量子比特处于最小能量态的哈密顿量。
本实施例中,初始哈密顿量和目标哈密顿量之间有一个平滑过渡,这个过渡可以用一个参数来控制,/>从0变化到1。当/>=0时,系统处于初始哈密顿量对应的态;当/>=1时,系统处于目标哈密顿量对应的态。
初始哈密顿量公式为:
式中,表示一个由个量子比特组成的系统,在一个沿/>轴方向的均匀磁场中的能量;/>为第/>个量子比特的磁场强度,/>为第/>个量子比特的泡利矩阵,表示该量子比特在/>轴方向上的自旋状态;初始哈密顿量的本征态是所有量子比特都沿轴方向自旋的态,它们之间没有相互作用,也没有偏置项。
目标哈密顿量公式为:
式中,表示一个由个量子比特组成的系统,在一个沿/>轴方向的非均匀磁场中,并且存在两两之间的耦合作用的能量;/>为第/>个量子比特的偏置项,表示该量子比特在/>轴方向上受到的磁场力;/>是第/>个和第/>个量子比特之间的耦合项,表示这两个量子比特在/>轴方向上自旋状态的相互影响;/>和/>为第/>个和第/>个量子比特上的泡利矩阵,它表示该量子比特在/>轴方向上的自旋状态;目标哈密顿量的本征态是由偏置项和耦合项共同决定的一些态,它们之间有相互作用,也有偏置项。
计算每个量子比特的有效能量,公式为:
式中,和/>分别为每个量子比特的状态的复数的实部和虚部,/>表示虚部单位;这一步是为了评估当前的量子比特状态与目标函数的匹配程度,也就是离最优解有多远。
更新每个量子比特的状态和操作,使得减小,这一步是为了调整当前的量子比特状态,使其更接近最低能量态,也就是最优解。
向其他量子比特或主网发送自己的状态,并接收其他量子比特或主网发送的状态,直到为1或者达到预设的迭代次数,这一步是为了实现量子系统之间的通信和协调,使得整个系统能够达到一致和平衡以及完成整个退火过程,使得量子系统从初始哈密顿量演化到问题哈密顿量/>,并且保持在接近基态(最低能态)的状态。如果退火过程足够缓慢(满足绝热定理),那么可以保证最终达到全局最优解。
测量每个量子比特的状态,得到最优状态和最优操作。这一步是为了观察和记录量子系统的最终结果,也就是优化问题的解。由于量子测量会导致量子比特塌缩到一个确定的状态(0或1),因此需要多次重复测量,以得到最可靠的结果。
本实施例中,构造一个初始哈密顿量和一个目标哈密顿量,并设置一个退火参数,从0开始逐渐增加到1。根据/>,计算每个量子比特的有效哈密顿量和有效能量,并根据有效能量更新每个量子比特的状态和操作,使得有效能量尽可能减小。同时,会向其他量子比特或主网发送自己的状态信号,并接收其他量子比特或主网发送的状态信号。这个过程会重复多次,直到/>达到1或者达到预设的迭代次数。最后,会测量每个量子比特的状态,得到最终的运行状态和控制参数。
本实施例中,运行状态和控制参数是指每个量子比特在分布式优化算法下的状态和操作。状态是一个二维复数向量,表示量子比特的量子态;操作是一个酉矩阵,表示量子比特的幺正变换;最终运行状态和控制参数是指在分布式优化算法收敛后,每个量子比特的状态和操作。它们是在一定的假设和条件下,使得微电网目标函数达到最优或次优的解。最优状态和最优操作是指使得微电网目标函数达到最大或最小的状态和操作,得到的最终运行状态和控制参数,不一定是每个量子比特的最优状态和最优操作,因为分布式优化算法并不能保证一定能找到全局最优解,有时候只能找到局部最优解或者次优解。所以,得到的解只是在当前情况下的最好解,但不一定是在所有情况下的最好解。
步骤S4:根据最优状态和最优操作,使用分布式控制策略实时调整量子比特的状态和操作。
步骤S4具体包括:
计算每个量子比特的测量规则和操作规则,具体包括:
测量规则:
操作规则:
式中,为第/>个量子比特的测量结果,/>为第/>个量子比特的操作矩阵,/>和/>为第/>个量子比特的测量和操作的函数,/>和/>为第/>个量子比特的状态参数,/>和/>为第/>个量子比特的状态参数。
根据测量规则对每个量子比特进行测量是量子优化算法中至关重要的一步,测量是获取关于量子系统状态的经典信息的过程。对于每个量子比特,测量结果的获取可能会导致量子态的崩溃,因此在优化过程中需要谨慎处理。在这个步骤中,通过对每个量子比特进行测量来获取其当前状态信息,为后续的参数调节和更新提供依据。
基于测量结果,需要判断每个量子比特是否需要调整其控制参数。对分布式电源的运行模式或控制参数进行微调,以使得系统能够向着更优的状态演化。操作规则指定了根据测量结果进行调节的具体步骤,对分布式电源的功率输出、能量存储或能量转移等方面进行调整。这样的调节和更新保证了整个系统能够不断朝着更优状态靠近,最终达到期望的系统性能。
在进行参数调节和更新之后,系统需要通过与其他量子比特或主网交换操作信息来实现信息共享和协作。这有助于不同分布式电源之间相互通信,共同协作解决系统优化问题。通过信息交换,各个分布式电源可以相互影响,共同协同工作,进一步优化微电网的整体性能。
最后,整个过程需要不断重复,直到每个量子比特达到预期的状态和操作。这意味着整个微电网系统可以达到预先设定的最优运行状态,从而实现对电力系统的最优化管理和控制。这样的迭代优化过程能够确保微电网系统能够稳定运行并且始终保持在最佳工作状态下。
本实施例中,微电网的理想状态是指每个量子比特都处于预期的量子态,即同时具有0和1的概率。这样,它们可以通过量子纠缠实现远距离的信息传输和协同控制,提高微电网的效率和可靠性。
本实施例中,分布式控制策略过程为每个量子比特都按照预定的规则进行测量和操作,即根据自身和其他量子比特或主网发送的状态信号,计算每个量子比特的测量规则和操作规则;根据测量规则,对每个量子比特进行测量,得到测量结果;根据测量结果,判断每个量子比特是否需要调节运行模式或控制参数。如果需要,根据操作规则,对每个量子比特进行操作,更新状态和操作;向其他量子比特或主网发送自己的操作信号,并接收其他量子比特或主网发送的操作信号。这样,可以保证每个量子比特都满足目标状态和操作,保证微电网的稳定性和安全性。
本实施例中,通过将微电网中的各个分布式电源(如光伏、储能、电动车等)视为一个个量子比特(Qubit),每个量子比特都有自己的状态、测量和操作。同时,将微电网视为一个量子电路(Quantum Circuit),负责与主网进行信息交换和协作控制。利用量子电路的叠加、干涉和纠缠的特性,实现微电网中各个量子比特之间的协同优化,从而达到微电网整体的最优调度。
首先建立了微电网中各个量子比特的数学模型和微电网整体的目标函数,为后续提供了优化问题的定义和约束条件。
其次设计了一种基于QC的分布式优化算法,利用量子退火的原理,使得每个量子比特可以根据自身和其他量子比特或主网交换的信息,更新自己的状态和操作,从而使得微电网整体的目标函数达到最优或次优;输出是每个量子比特的最终运行状态和控制参数。
最后将得到的每个量子比特的最终运行状态和控制参数,作为初始条件和参考值。设计了一种基于QC的分布式控制策略,利用量子反馈的原理,使得每个量子比特可以根据自身的状态和操作,以及与其他量子比特或主网交换的控制信号,实时调节自己的运行模式和控制参数,从而使得微电网整体保持稳定和安全运行;输出是每个量子比特的实时运行模式和控制参数。
实施例2
如图2所示,本发明公开一种自适应微电网电力调度系统,系统包括:
量子比特模型构建模块10,用于构建量子比特的数学模型;数学模型包括状态、测量和操作。
目标函数构建模块20,用于构建微电网目标函数;微电网目标函数包括经济效益、环保效益和供电可靠性。
最优解迭代模块30,用于使用分布式优化算法更新状态和操作,使得微电网目标函数达到最优,输出最优状态和最优操作。
参数实时更新模块40,用于根据最优状态和最优操作,使用分布式控制策略实时调整量子比特的状态和操作。
作为一种可选地实施方式,本发明量子比特模型构建模块10,具体包括:
状态:
测量:,/>
操作:
式中,和/>分别为每个量子比特的状态的复数的实部和虚部,/>表示虚部单位,和/>分别为每个量子比特的操作的幺正矩阵的元素,/>为测量结果/>的概率,/>的取值结果为/>,/>为并网模式,/>为离网模式,/>为每个分布式电源的运行状态或控制参数的归一化值,/>为幺正矩阵。
作为一种可选地实施方式,本发明目标函数构建模块20,具体包括:
光伏系统的经济效益、环保效益和供电可靠性指标分别为:
式中,为光伏系统经济效益,/>为输出功率,/>为电价,/>为成本,/>为光伏系统环保效益,/>为碳排放系数,/>为碳税,/>为光伏系统供电可靠性,/>为负荷需求。
储能系统的经济效益、环保效益和供电可靠性指标分别为:
式中,为储能系统经济效益,/>为充放电功率,/>为储能系统环保效益,为储能系统供电可靠性,/>为储能水平,/>为最大容量。
电动车系统的经济效益、环保效益和供电可靠性指标分别为:
式中,为电动车系统经济效益,/>为电动车系统环保效益,/>为电动车供电可靠性,/>为剩余电量。
微电网目标函数为:
式中,,/>,/>分别为经济效益、环保效益和供电可靠性的权重系数,/>,,/>分别为第/>个分布式电源的经济效益、环保效益和供电可靠性指标,,分布式电源包括光伏系统、储能系统和电动车系统。
作为一种可选地实施方式,本发明最优解迭代模块30,具体包括:
初始化子模块,用于初始化每个量子比特的状态为最大叠加态。
有效哈密顿量计算子模块,设置退火参数,计算每个量子比特的有效哈密顿量,具体包括:
有效哈密顿量公式为:
式中,为初始哈密顿量,/>为目标哈密顿量,/>为退火参数。
初始哈密顿量公式为:
式中,表示一个由个量子比特组成的系统,在一个沿/>轴方向的均匀磁场中的能量;/>为第/>个量子比特的磁场强度,/>为第/>个量子比特的泡利矩阵,表示该量子比特在/>轴方向上的自旋状态。
目标哈密顿量公式为:
式中,表示一个由个量子比特组成的系统,在一个沿/>轴方向的非均匀磁场中,并且存在两两之间的耦合作用的能量;/>为第/>个量子比特的偏置项,表示该量子比特在/>轴方向上受到的磁场力;/>是第/>个和第/>个量子比特之间的耦合项,表示这两个量子比特在/>轴方向上自旋状态的相互影响;/>和/>为第/>个和第/>个量子比特上的泡利矩阵,它表示该量子比特在/>轴方向上的自旋状态。
有效能量计算子模块,用于计算每个量子比特的有效能量,公式为:
式中,和/>分别为每个量子比特的状态的复数的实部和虚部,/>表示虚部单位。
量子比特更新子模块,用于更新每个量子比特的状态和操作,使得减小。/>
迭代过程判断子模块,用于向其他量子比特或主网发送自己的状态,并接收其他量子比特或主网发送的状态,直到为1或者达到预设的迭代次数。
最优参数确定子模块,用于测量每个量子比特的状态,得到最优状态和最优操作。
作为一种可选地实施方式,本发明参数实时更新模块40,具体包括:
规则计算子模块,用于计算每个量子比特的测量规则和操作规则。
测量结果确定子模块,用于根据测量规则,对每个量子比特进行测量,得到测量结果。
控制参数调节子模块,用于根据测量结果,判断每个量子比特是否需要调节控制参数,如果需要,则根据操作规则,对每个量子比特更新状态和操作。
发送接收子模块,用于向其他量子比特或主网发送自己的操作,并接收其他量子比特或主网发送的操作。
遍历子模块,用于重复以上步骤,直至每个量子比特达到期望状态和期望操作。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种自适应微电网电力调度方法,其特征在于,所述方法包括:
步骤S1:构建量子比特的数学模型;所述数学模型包括状态、测量和操作,具体包括:
状态:;
测量:,/>;
操作:;
式中,和/>分别为每个量子比特的状态的复数的实部和虚部,/>表示虚部单位,/>和分别为每个量子比特的操作的幺正矩阵的元素,/>为测量结果/>的概率,/>的取值结果为/>,/>为并网模式,/>为离网模式,/>为每个分布式电源的运行状态或控制参数的归一化值,/>为幺正矩阵;
步骤S2:构建微电网目标函数;所述微电网目标函数包括经济效益、环保效益和供电可靠性;
步骤S3:使用分布式优化算法更新所述状态和所述操作,使得所述微电网目标函数达到最优,输出最优状态和最优操作;
步骤S4:根据所述最优状态和所述最优操作,使用分布式控制策略实时调整量子比特的所述状态和所述操作。
2.根据权利要求1所述的一种自适应微电网电力调度方法,其特征在于,所述构建微电网目标函数,具体包括:
光伏系统的经济效益、环保效益和供电可靠性指标分别为:
;
;
;
式中,为光伏系统经济效益,/>为输出功率,/>为电价,/>为成本,/>为光伏系统环保效益,/>为碳排放系数,/>为碳税,/>为光伏系统供电可靠性,/>为负荷需求;
储能系统的经济效益、环保效益和供电可靠性指标分别为:
;
;
;
式中,为储能系统经济效益,/>为充放电功率,/>为储能系统环保效益,/>为储能系统供电可靠性,/>为储能水平,/>为最大容量;
电动车系统的经济效益、环保效益和供电可靠性指标分别为:
;
;
;
式中,为电动车系统经济效益,/>为电动车系统环保效益,/>为电动车供电可靠性,/>为剩余电量;
微电网目标函数为:
;
式中,,/>,/>分别为经济效益、环保效益和供电可靠性的权重系数,/>,/>,/>分别为第/>个分布式电源的经济效益、环保效益和供电可靠性指标,,分布式电源包括光伏系统、储能系统和电动车系统。
3.根据权利要求1所述的一种自适应微电网电力调度方法,其特征在于,所述使用分布式优化算法更新所述状态和所述操作,使得所述微电网目标函数达到最优,输出最优状态和最优操作,具体包括:
初始化每个量子比特的所述状态为最大叠加态;
设置退火参数,计算所述每个量子比特的有效哈密顿量,具体包括:
有效哈密顿量公式为:
;
式中,为初始哈密顿量,/>为目标哈密顿量,/>为退火参数;
初始哈密顿量公式为:
;
式中,表示一个由个量子比特组成的系统,在一个沿/>轴方向的均匀磁场中的能量;/>为第/>个量子比特的磁场强度,/>为第/>个量子比特的泡利矩阵,表示该量子比特在/>轴方向上的自旋状态;
目标哈密顿量公式为:
;
式中,表示一个由个量子比特组成的系统,在一个沿/>轴方向的非均匀磁场中,并且存在两两之间的耦合作用的能量;/>为第/>个量子比特的偏置项,表示该量子比特在/>轴方向上受到的磁场力;/>是第/>个和第/>个量子比特之间的耦合项,表示这两个量子比特在/>轴方向上自旋状态的相互影响;/>和/>为第/>个和第/>个量子比特上的泡利矩阵,它表示该量子比特在/>轴方向上的自旋状态;
计算所述每个量子比特的有效能量,公式为:;
式中,和/>分别为每个量子比特的状态的复数的实部和虚部,/>表示虚部单位;
更新所述每个量子比特的所述状态和所述操作,使得减小;
向其他量子比特或主网发送自己的所述状态,并接收所述其他量子比特或主网发送的所述状态,直到为1或者达到预设的迭代次数;
测量所述每个量子比特的所述状态,得到最优状态和最优操作。
4.根据权利要求1所述的一种自适应微电网电力调度方法,其特征在于,所述根据所述最优状态和所述最优操作,使用分布式控制策略实时调整量子比特的所述状态和所述操作,具体包括:
计算每个量子比特的测量规则和操作规则;
根据所述测量规则,对所述每个量子比特进行测量,得到测量结果;
根据所述测量结果,判断所述每个量子比特是否需要调节控制参数,如果需要,则根据所述操作规则,对所述每个量子比特更新所述状态和所述操作;
向其他量子比特或主网发送自己的所述操作,并接收其他量子比特或主网发送的所述操作;
重复以上步骤,直至所述每个量子比特达到期望状态和期望操作。
5.一种自适应微电网电力调度系统,其特征在于,所述系统包括:
量子比特模型构建模块,用于构建量子比特的数学模型;所述数学模型包括状态、测量和操作,具体包括:
状态:;
测量:,/>;
操作:;
式中,和/>分别为每个量子比特的状态的复数的实部和虚部,/>表示虚部单位,/>和分别为每个量子比特的操作的幺正矩阵的元素,/>为测量结果/>的概率,/>的取值结果为/>,/>为并网模式,/>为离网模式,/>为每个分布式电源的运行状态或控制参数的归一化值,/>为幺正矩阵;
目标函数构建模块,用于构建微电网目标函数;所述微电网目标函数包括经济效益、环保效益和供电可靠性;
最优解迭代模块,用于使用分布式优化算法更新所述状态和所述操作,使得所述微电网目标函数达到最优,输出最优状态和最优操作;
参数实时更新模块,用于根据所述最优状态和所述最优操作,使用分布式控制策略实时调整量子比特的所述状态和所述操作。
6.根据权利要求5所述的一种自适应微电网电力调度系统,其特征在于,所述目标函数构建模块,具体包括:
光伏系统的经济效益、环保效益和供电可靠性指标分别为:
;
;
;
式中,为光伏系统经济效益,/>为输出功率,/>为电价,/>为成本,/>为光伏系统环保效益,/>为碳排放系数,/>为碳税,/>为光伏系统供电可靠性,/>为负荷需求;
储能系统的经济效益、环保效益和供电可靠性指标分别为:
;
;
;
式中,为储能系统经济效益,/>为充放电功率,/>为储能系统环保效益,/>为储能系统供电可靠性,/>为储能水平,/>为最大容量;
电动车系统的经济效益、环保效益和供电可靠性指标分别为:
;
;
;
式中,为电动车系统经济效益,/>为电动车系统环保效益,/>为电动车供电可靠性,/>为剩余电量;
微电网目标函数为:
;
式中,,/>,/>分别为经济效益、环保效益和供电可靠性的权重系数,/>,/>,/>分别为第/>个分布式电源的经济效益、环保效益和供电可靠性指标,,分布式电源包括光伏系统、储能系统和电动车系统。
7.根据权利要求5所述的一种自适应微电网电力调度系统,其特征在于,所述最优解迭代模块,具体包括:
初始化子模块,用于初始化每个量子比特的所述状态为最大叠加态;
有效哈密顿量计算子模块,设置退火参数,计算所述每个量子比特的有效哈密顿量,具体包括:
有效哈密顿量公式为:
;
式中,为初始哈密顿量,/>为目标哈密顿量,/>为退火参数;
初始哈密顿量公式为:
;
式中,表示一个由个量子比特组成的系统,在一个沿/>轴方向的均匀磁场中的能量;/>为第/>个量子比特的磁场强度,/>为第/>个量子比特的泡利矩阵,表示该量子比特在/>轴方向上的自旋状态;
目标哈密顿量公式为:
;
式中,表示一个由个量子比特组成的系统,在一个沿/>轴方向的非均匀磁场中,并且存在两两之间的耦合作用的能量;/>为第/>个量子比特的偏置项,表示该量子比特在/>轴方向上受到的磁场力;/>是第/>个和第/>个量子比特之间的耦合项,表示这两个量子比特在/>轴方向上自旋状态的相互影响;/>和/>为第/>个和第/>个量子比特上的泡利矩阵,它表示该量子比特在/>轴方向上的自旋状态;
有效能量计算子模块,用于计算所述每个量子比特的有效能量,公式为:;
式中,和/>分别为每个量子比特的状态的复数的实部和虚部,/>表示虚部单位;
量子比特更新子模块,用于更新所述每个量子比特的所述状态和所述操作,使得减小;
迭代过程判断子模块,用于向其他量子比特或主网发送自己的所述状态,并接收所述其他量子比特或主网发送的所述状态,直到为1或者达到预设的迭代次数;
最优参数确定子模块,用于测量所述每个量子比特的所述状态,得到最优状态和最优操作。
8.根据权利要求5所述的一种自适应微电网电力调度系统,其特征在于,所述参数实时更新模块,具体包括:
规则计算子模块,用于计算每个量子比特的测量规则和操作规则;
测量结果确定子模块,用于根据所述测量规则,对所述每个量子比特进行测量,得到测量结果;
控制参数调节子模块,用于根据所述测量结果,判断所述每个量子比特是否需要调节控制参数,如果需要,则根据所述操作规则,对所述每个量子比特更新所述状态和所述操作;
发送接收子模块,用于向其他量子比特或主网发送自己的所述操作,并接收其他量子比特或主网发送的所述操作;
遍历子模块,用于重复以上步骤,直至所述每个量子比特达到期望状态和期望操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311508153.2A CN117239741B (zh) | 2023-11-14 | 2023-11-14 | 一种自适应微电网电力调度方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311508153.2A CN117239741B (zh) | 2023-11-14 | 2023-11-14 | 一种自适应微电网电力调度方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117239741A CN117239741A (zh) | 2023-12-15 |
CN117239741B true CN117239741B (zh) | 2024-01-23 |
Family
ID=89082932
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311508153.2A Active CN117239741B (zh) | 2023-11-14 | 2023-11-14 | 一种自适应微电网电力调度方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117239741B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117977600A (zh) * | 2024-04-02 | 2024-05-03 | 合肥工业大学 | 电力系统多潮流集成并行量子计算方法、系统和存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103208797A (zh) * | 2013-03-18 | 2013-07-17 | 西南交通大学 | 一种基于智能优化技术的含新能源配电网状态估计方法 |
CN104217262A (zh) * | 2014-09-28 | 2014-12-17 | 东南大学 | 一种智能微电网能量管理量子优化方法 |
CN105958482A (zh) * | 2016-05-31 | 2016-09-21 | 天津天大求实电力新技术股份有限公司 | 基于佳点集量子粒子群算法的微网优化方法 |
CN113177860A (zh) * | 2021-04-22 | 2021-07-27 | 湘潭大学 | 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 |
CA3107997A1 (en) * | 2020-02-05 | 2021-08-05 | D-Wave Systems Inc. | Systems and methods for optimizing annealing parameters |
CN115526328A (zh) * | 2022-09-26 | 2022-12-27 | 北京大学 | 一种基于模拟量子器件计算系统本征值的方法及装置 |
WO2023003847A2 (en) * | 2021-07-20 | 2023-01-26 | The Research Foundation For The State University Of New York | System and method for quantum-secure microgrids |
-
2023
- 2023-11-14 CN CN202311508153.2A patent/CN117239741B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103208797A (zh) * | 2013-03-18 | 2013-07-17 | 西南交通大学 | 一种基于智能优化技术的含新能源配电网状态估计方法 |
CN104217262A (zh) * | 2014-09-28 | 2014-12-17 | 东南大学 | 一种智能微电网能量管理量子优化方法 |
CN105958482A (zh) * | 2016-05-31 | 2016-09-21 | 天津天大求实电力新技术股份有限公司 | 基于佳点集量子粒子群算法的微网优化方法 |
CA3107997A1 (en) * | 2020-02-05 | 2021-08-05 | D-Wave Systems Inc. | Systems and methods for optimizing annealing parameters |
CN113177860A (zh) * | 2021-04-22 | 2021-07-27 | 湘潭大学 | 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 |
WO2023003847A2 (en) * | 2021-07-20 | 2023-01-26 | The Research Foundation For The State University Of New York | System and method for quantum-secure microgrids |
CN115526328A (zh) * | 2022-09-26 | 2022-12-27 | 北京大学 | 一种基于模拟量子器件计算系统本征值的方法及装置 |
Non-Patent Citations (2)
Title |
---|
基于混合量子遗传算法的微电网电源优化配置;符杨;蒋一鎏;李振坤;;电力系统保护与控制(24);全文 * |
基于量子遗传算法的大规模配电网实时重构研究;曾建鑫;朱子坤;;广东电力(01);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117239741A (zh) | 2023-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110929948B (zh) | 基于深度强化学习的完全分布式智能电网经济调度方法 | |
Rajkumar et al. | Techno-economical optimization of hybrid pv/wind/battery system using Neuro-Fuzzy | |
CN117239741B (zh) | 一种自适应微电网电力调度方法及系统 | |
Yang et al. | Extreme learning machine based meta-heuristic algorithms for parameter extraction of solid oxide fuel cells | |
Yazdanpanah‐Jahromi et al. | An efficient sizing method with suitable energy management strategy for hybrid renewable energy systems | |
Zhang et al. | Efficient design of energy microgrid management system: a promoted Remora optimization algorithm-based approach | |
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 | |
CN112213945A (zh) | 电动汽车参与微网群调频的改进鲁棒预测控制方法和系统 | |
Phuangpornpitak et al. | Optimal photovoltaic placement by self-organizing hierarchical binary particle swarm optimization in distribution systems | |
CN114243708B (zh) | 一种基于交流模型的输电网扩展规划优化方法 | |
Wang et al. | Robust multi-objective load dispatch in microgrid involving unstable renewable generation | |
Saha | Adaptive model-based receding horizon control of interconnected renewable-based power micro-grids for effective control and optimal power exchanges | |
Sampathirao et al. | Distributed conditional cooperation model predictive control of interconnected microgrids | |
CN115719113A (zh) | 基于有向不平衡拓扑的智能电网经济调度分布式加速优化方法 | |
CN114530848A (zh) | 一种光储虚拟电厂多时间尺度动态划分方法 | |
Bramm et al. | Optimal reconfiguration of distribution network with solar power plants | |
Miao et al. | Recent advances in distributed cooperative droop control of dc microgrids: A brief survey | |
Ghiassi et al. | On the use of AI as a requirement for improved insolation forecasting accuracy to achieve optimized PV utilization | |
Nyong-Bassey | A Concise Review of Energy Management Strategies for Hybrid Energy Storage Systems | |
CN111311032A (zh) | 一种基于扇形雷达图模型的微网系统容量优化配置方法 | |
CN110190615A (zh) | 一种微网储能系统控制策略优化方法 | |
Wu et al. | REVIEW OF THE OPTIMAL DESIGN ON A HYBRID RENEWABLE GENERATION SYSTEM BY USING INTELLIGENT COMPUTING METHODS | |
Juárez et al. | Optimal real-time scheduling of battery operation using reinforcement learning | |
Behrunani et al. | Experimental Validation for Distributed Control of Energy Hubs | |
Zhang et al. | Microgrid Energy Management Based on Sample-Efficient Reinforcement Learning |
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 |