CN105719081A - 一种基于改进人工蜂群算法的电力***动态经济调度方法 - Google Patents
一种基于改进人工蜂群算法的电力***动态经济调度方法 Download PDFInfo
- Publication number
- CN105719081A CN105719081A CN201610039110.8A CN201610039110A CN105719081A CN 105719081 A CN105719081 A CN 105719081A CN 201610039110 A CN201610039110 A CN 201610039110A CN 105719081 A CN105719081 A CN 105719081A
- Authority
- CN
- China
- Prior art keywords
- unit
- power system
- dynamic economic
- food source
- system dynamic
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 241000256844 Apis mellifera Species 0.000 claims description 59
- 230000003044 adaptive effect Effects 0.000 claims description 12
- 230000009194 climbing Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 241000257303 Hymenoptera Species 0.000 abstract 4
- 238000005457 optimization Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 239000003245 coal Substances 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
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
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Educational Administration (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)
- Feedback Control In General (AREA)
Abstract
本发明提出一种基于改进人工蜂群算法的电力***动态经济调度方法,通过对传统的雇佣蜂和观察蜂的搜索策略进行改进,雇佣蜂和观察蜂采用符合自身特点的搜索策略,平衡全局搜索和局部寻优能力。采用本方法对电力***动态经济调度进行求解,能够满足在相关约束的条件下,获得优化后的电力***各机组各时段的出力水平和最小发电成本。
Description
技术领域
本发明属于电力***优化运行领域,尤其是涉及一种基于改进人工蜂群算法的电力***动态经济调度方法。
背景技术
电力市场的迅速发展对电力***的运行和管理提出了新的要求,为提高发电厂的生产效率和电力***的经济效益,电力***的动态经济调度问题成为了重点研究问题之一。
一个良好的电力***建立在以保证安全可靠运行为前提,追求***的经济效益最大化为目标的前提下。电力***中,机组的运行需要成本,不同的机组成本函数不同,包括热耗量,煤耗量,有害气体排放量,供电成本及发电成本等。经济调度优化的目的在于一定周期内,优化各机组的出力,以获得最优的出力水平,使成本最小。动态经济调度要处理多个约束问题,如机组前后时段的出力爬坡约束,出力上下限约束,发电与损耗平衡约束等,因此,寻找一个高效的优化算法来出力电力***的动态经济调度问题十分必要。
电力***的动态经济调度维数高,约束条件严格,是一个十分复杂的优化问题。粒子群算法已被广泛应用于电力***的动态经济调度问题中,但由于其收敛速度较快,全局搜索能力不强的特点,容易陷入局部最优。
发明内容
本发明所解决的技术问题在于提供一种基于改进人工蜂群算法的电力***动态经济调度方法,通过对传统的雇佣蜂和观察蜂的搜索策略进行改进,雇佣蜂和观察蜂采用符合自身特点的搜索策略,平衡全局搜索和局部寻优能力。采用本方法对电力***动态经济调度进行求解,能够满足在相关约束的条件下,获得优化后的各机组各时段的出力水平。
实现本发明目的的技术解决方案为:
一种基于改进人工蜂群算法的电力***动态经济调度方法,包括以下步骤:
步骤1:设置人工蜂群的参数,包括雇佣蜂控制因子F、观察蜂控制因子H的均值Hm和方差Sth、食物源规模NP、迭代次数Gmax,设置食物源在电力***动态经济调度中的约束条件并构造电力***动态经济调度的目标函数,所述食物源在电力***动态经济调度中的约束条件包括:机组功率平衡约束、机组出力上下限约束和机组爬坡约束;
步骤2:生成初始食物源并计算其目标函数值和适应值,找出当前最优食物源的位置和对应的目标函数值;
步骤3:雇佣蜂根据其搜索公式产生新位置,搜索策略为:Vi,j=Pr1,j+F(Pr2,j-Pr3,j),Vi,j为新的食物源位置,Pr1,j、Pr2,j、Pr3,j为三个随机选择的食物源,r1≠r2≠r3≠i,i=1,2,...,NP,j表示当前列数;
步骤4:根据约束条件判断新位置是否越限,若越限,则将其调整至约束范围内,若不越限,则不做调整;
步骤5:采用贪婪原则对当前食物源位置进行更新;
步骤6:观察蜂根据轮盘赌原则所确定的概率选择食物源并在其附近精细搜索,搜索策略为:Vi,j=gbesti,j+H(Pr4,j-Pr5,j),Pr4,j、Pr5,j为两个随机选择的食物源,且r4≠r5≠i,i=1,2,…,NP,j表示当前列数,gbesti,j为适应值最大的食物源,H由高斯产生;
步骤7:根据约束条件判断新位置是否越限,若越限,则将其调整至约束范围内,若不越限,则不做调整;
步骤8:采用贪婪原则对当前食物源位置进行更新;
步骤9:判断迭代次数是否达到最大迭代次数,若是,则停止迭代,输出最优食物源的位置和目标函数值,所述最优食物源的位置即为电力***各机组的出力水平,目标函数值即为对应的最小发电成本;若否,则跳转到步骤3。
进一步的,本发明的基于改进人工蜂群算法的电力***动态经济调度方法,步骤1中雇佣蜂控制因子F=0.5、观察蜂控制因子H的均值Hm=0、观察蜂控制因子H的方差Sth=0.3、食物源规模NP=40、迭代次数Gmax=500。
进一步的,本发明的基于改进人工蜂群算法的电力***动态经济调度方法,步骤1中电力***动态经济调度的目标函数为:
其中,为发电成本,ai、bi、ci分别表示成本***的系数,Pi,t为第i台机组在第t时段的出力,T表示动态经济调度的时段数,一天24小时,以每小时为一个段,共24个时段,M表示参与动态经济调度的机组数,为加载阀点效应,ei、fi为耗量系数,为第i台机组在第t时段出力的下限。
进一步的,本发明的基于改进人工蜂群算法的电力***动态经济调度方法,步骤2中,第m个初始食物源为: 其中,T表示动态经济调度的时段数,一天24小时,以每小时为一个段,共24个时段,M表示参与动态经济调度的机组数,Pi,t=ai,t·PD,t,ai,t表示第i台机组第t时段的比例元素,为随机生成,满足a1,t+a2,t+…+ai,t+…+aM,T=1,PD,t表示第t时段的负荷的大小。
进一步的,本发明的基于改进人工蜂群算法的电力***动态经济调度方法,步骤2中适应值为:
其中,f为目标函数值。
进一步的,本发明的基于改进人工蜂群算法的电力***动态经济调度方法,步骤4中对于越限位置的调整步骤如下:
步骤4-1:若机组出力越上限时,则将机组出力限定在机组出力上限;若机组出力越下限时,则将机组出力限定在机组出力下限;
步骤4-2:若机组向上爬坡时越限,则将机组出力限定在向上爬坡上限;若机组向下爬坡时越限,则将机组出力限定在向下爬坡下限;
步骤4-3:根据调整后的机组出力,重新计算网损;
步骤4-4:计算各时段机组出力的不平衡量,所述不平衡量是指各时段机组出力之和与负荷总量之间的差值,再将不平衡量根据机组等耗量微增率的大小并结合各个机组的出力上下限约束进行分配。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
1、本发明利用观察蜂自身的优点对其搜索策略进行改进,使其精度寻优的能力更强;
2、本发明的方法调度初期可以在搜索空间中进行广泛搜索,后期保证小范围搜索,从而在电力***动态经济调度中进行寻优,在满足相关约束和考虑网损的情况下,实现发电的最小出力和发电总费用最小化,达到动态经济调度的目的。
附图说明
图1是本发明的基于改进人工蜂群算法的电力***动态经济调度方法的流程图;
图2是本发明的对于越限位置的调整分解子步骤。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本发明的基于改进人工蜂群算法的电力***动态经济调度方法流程如图1所示,具体包括如下步骤:
步骤1:设置人工蜂群的参数,包括雇佣蜂控制因子F、观察蜂控制因子H的均值Hm和方差Sth、食物源规模NP、迭代次数Gmax,设置食物源在电力***动态经济调度中的约束条件并构造电力***动态经济调度的目标函数,所述食物源在电力***动态经济调度中的约束条件包括:机组功率平衡约束、机组出力上下限约束和机组爬坡约束;
步骤2:生成初始食物源并计算其目标函数值和适应值,找出当前最优食物源的位置和对应的目标函数值;
步骤3:雇佣蜂根据其搜索公式产生新位置;
步骤4:根据约束条件判断新位置是否越限,若越限,则将其调整至约束范围内,若不越限,则不做调整;
步骤5:采用贪婪原则对当前食物源位置进行更新;
步骤6:观察蜂根据轮盘赌原则所确定的概率选择食物源并在其附近精细搜索;
步骤7:根据约束条件判断新位置是否越限,若越限,则将其调整至约束范围内,若不越限,则不做调整;
步骤8:采用贪婪原则对当前食物源位置进行更新;
步骤9:判断迭代次数是否达到最大迭代次数,若是,则停止迭代,输出最优食物源的位置和目标函数值,所述最优食物源的位置即为电力***各机组的出力水平,目标函数值即为对应的最小发电成本;若否,则跳转到步骤3。
下面根据步骤进行详细分析。
步骤1中,雇佣蜂控制因子F=0.5、观察蜂控制因子H的均值Hm=0、观察蜂控制因子H的方差Sth=0.3、食物源规模NP=40、迭代次数Gmax=500。
食物源在电力***动态经济调度中的约束条件包括:机组功率平衡约束、机组出力上下限约束、机组爬坡约束。
其中,机组功率平衡约束为:
其中,Pi,t为第t时段第i个机组的出力,PD,t为第t时段的负荷大小,Ploss,t为第t时段的网损大小。
网损计算采用B系数法计算,表达式如下:
Ploss,t=Pt TBPt(2)
其中,Pt为第t时段各机组出力的列向量,Pt T表示Pt的转置,B为M×M的参数矩阵,用于计算网损。
机组出力上下限约束为:
Pi min<Pi,t<Pi max(3)
其中,Pi min和Pi max分别表示第i台机组第t时段出力的下限和上限。
机组爬坡约束为:
其中,Pi,t-1为第t-1时段第i个机组的出力,为向下爬坡速度,为负值;为向上爬坡速度,为正值;Δt表示两个调度时段之间的时间间隔。
电力***动态经济调度的目标函数为:
其中,为发电成本,ai、bi、ci分别表示成本***的系数,Pi,t为第i台机组在第t时段的出力,T表示动态经济调度的时段数,一天24小时,以每小时为一个段,共24个时段,M表示参与动态经济调度的机组数,为加载阀点效应,ei、fi为耗量系数,为第i台机组在第t时段出力的下限。
步骤2中,根据各时段的负荷水平随机分摊到各个机组的出力水平,按照食物源规模数生成初始食物源,对于第m个食物源生成如下:
其中,T表示动态经济调度的时段数,一天24小时,以每小时为一个段,共24个时段,M表示参与动态经济调度的机组数,Pi,t=ai,t·PD,t,ai,t表示第i台机组第t时段的比例元素,为随机生成,满足a1,t+a2,t+…+ai,t+…+aM,T=1,PD,t表示第t时段的负荷的大小。
各个食物源的适应值为:
目标函数值越小,食物源的适应值就越大。
比较各个食物源的适应值,找到适应值最高的食物源,记录其位置和目标函数值。
步骤3中,雇佣蜂根据其搜索公式产生新位置,搜索策略为:
Vi,j=Pr1,j+F(Pr2,j-Pr3,j)(8)
Vi,j为新的食物源位置,Pr1,j、Pr2,j、Pr3,j为三个随机选择的食物源,r1≠r2≠r3≠i,i=1,2,...,NP,j表示当前列数。
步骤4与步骤7相同,如图2所示,对于越限位置的调整步骤如下:
步骤4-1:若机组出力越上限时,则将机组出力限定在机组出力上限;若机组出力越下限时,则将机组出力限定在机组出力下限;
步骤4-2:若机组向上爬坡时越限,则将机组出力限定在向上爬坡上限;若机组向下爬坡时越限,则将机组出力限定在向下爬坡下限;
步骤4-3:根据调整后的机组出力,重新计算网损;
步骤4-4:计算各时段机组出力的不平衡量,所述不平衡量是指各时段机组出力之和与负荷总量之间的差值,再将不平衡量根据机组等耗量微增率的大小并结合各个机组的出力上下限约束进行分配。
步骤5与步骤8相同,采用贪婪原则对当前食物源位置进行更新的方法为:
其中,f(Vi)为新产生位置的目标函数值,f(Pi)为当前食物源的目标函数值,当且仅当新产生位置的目标函数值比原食物源位置的目标函数值小时,更新当前食物源的位置。
步骤6中,每个食物源被选择的概率为:
其中,i、j表示食物源。
观察蜂根据上式所确定的概率,利用轮盘赌原则选择食物源并在其附近进行精细搜索,搜索策略为:
Vi,j=gbesti,j+H(Pr4,j-Pr5,j)(13)
其中,Pr4,j、Pr5,j为两个随机选择的食物源,且r4≠r5≠i,i=1,2,…,NP,j表示当前列数,gbesti,j为适应值最大的食物源,H由高斯产生,均值Hm=0,方差Sth=0.3,这样所产生H的值大部分集中在0附近,从而可以在gbesti,j附近进行精细搜索,加快收敛速度,提高寻优精度。
步骤9中,根据步骤1中已设定的迭代算法,判定迭代次数是否达到:若达到迭代次数Gmax=500,则停止计算,得到最优食物源的位置和目标函数值,该食物源位置即为各机组在该时段的出力,从而计算出最终结果,最终结果包括各机组各时段的出力水平以及计算该时段内的机组运行总费用;若没有达到迭代次数,则返回步骤3,继续计算。
实施例
本发明采用的电力***算例数据如下,具体负荷数据如表1所示,电源参数如表2所示,一共是5个火力发电机组,本发明计算网损时采用B系数矩阵法,故列B系数矩阵于表3。
表1为负荷参数。
表2为机组参数。
表3为B系数矩阵(参数单位:10-5)。
表4为粒子群算法、差分算法、人工蜂群算法和改进人工蜂群算法等4种算法的目标函数值比较。
本发明对人工蜂群算法中雇佣蜂和观察蜂的搜索公式进行了改进,让雇佣蜂的迭代公式可以更好的平衡全局搜索和局部寻优,雇佣蜂可以更专注的进行精细搜索。标准的粒子群算法,差分算法,人工蜂群算法相比,人工蜂群算法更不容易陷入局部最优,而采用改进后的人工蜂群算法对电力***的动态经济调度进行求解,获得优化后的各机组各时段的出力水平,与标准的人工蜂群算法相比可以取得更好的优化效果。
以上所述仅是本发明的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进,这些改进应视为本发明的保护范围。
Claims (6)
1.一种基于改进人工蜂群算法的电力***动态经济调度方法,其特征在于,包括以下步骤:
步骤1:设置人工蜂群的参数,包括雇佣蜂控制因子F、观察蜂控制因子H的均值Hm和方差Sth、食物源规模NP、迭代次数Gmax,设置食物源在电力***动态经济调度中的约束条件并构造电力***动态经济调度的目标函数,所述食物源在电力***动态经济调度中的约束条件包括:机组功率平衡约束、机组出力上下限约束和机组爬坡约束;
步骤2:生成初始食物源并计算其目标函数值和适应值,找出当前最优食物源的位置和对应的目标函数值;
步骤3:雇佣蜂根据其搜索公式产生新位置,搜索策略为:Vi,j=Pr1,j+F(Pr2,j-Pr3,j),Vi,j为新的食物源位置,Pr1,j、Pr2,j、Pr3,j为三个随机选择的食物源,r1≠r2≠r3≠i,i=1,2,...,NP,j表示当前列数;
步骤4:根据约束条件判断新位置是否越限,若越限,则将其调整至约束范围内,若不越限,则不做调整;
步骤5:采用贪婪原则对当前食物源位置进行更新;
步骤6:观察蜂根据轮盘赌原则所确定的概率选择食物源并在其附近精细搜索,搜索策略为:Vi,j=gbesti,j+H(Pr4,j-Pr5,j),Pr4,j、Pr5,j为两个随机选择的食物源,且r4≠r5≠i,i=1,2,…,NP,j表示当前列数,gbesti,j为适应值最大的食物源,H由高斯产生;
步骤7:根据约束条件判断新位置是否越限,若越限,则将其调整至约束范围内,若不越限,则不做调整;
步骤8:采用贪婪原则对当前食物源位置进行更新;
步骤9:判断迭代次数是否达到最大迭代次数,若是,则停止迭代,输出最优食物源的位置和目标函数值,所述最优食物源的位置即为电力***各机组的出力水平,目标函数值即为对应的最小发电成本;若否,则跳转到步骤3。
2.根据权利要求1所述的基于改进人工蜂群算法的电力***动态经济调度方法,其特征在于,步骤1中雇佣蜂控制因子F=0.5、观察蜂控制因子H的均值Hm=0、观察蜂控制因子H的方差Sth=0.3、食物源规模NP=40、迭代次数Gmax=500。
3.根据权利要求1所述的基于改进人工蜂群算法的电力***动态经济调度方法,其特征在于,步骤1中电力***动态经济调度的目标函数为:
其中,为发电成本,ai、bi、ci分别表示成本***的系数,Pi,t为第i台机组在第t时段的出力,T表示动态经济调度的时段数,一天24小时,以每小时为一个段,共24个时段,M表示参与动态经济调度的机组数,为加载阀点效应,ei、fi为耗量系数,为第i台机组在第t时段出力的下限。
4.根据权利要求1所述的基于改进人工蜂群算法的电力***动态经济调度方法,其特征在于,步骤2中,第m个初始食物源为:其中,T表示动态经济调度的时段数,一天24小时,以每小时为一个段,共24个时段,M表示参与动态经济调度的机组数,Pi,t=ai,t·PD,t,ai,t表示第i台机组第t时段的比例元素,为随机生成,满足a1,t+a2,t+…+ai,t+…+aM,T=1,PD,t表示第t时段的负荷的大小。
5.根据权利要求1所述的基于改进人工蜂群算法的电力***动态经济调度方法,其特征在于,步骤2中适应值为:
其中,f为目标函数值。
6.根据权利要求1所述的基于改进人工蜂群算法的电力***动态经济调度方法,其特征在于,步骤4中对于越限位置的调整步骤如下:
步骤4-1:若机组出力越上限时,则将机组出力限定在机组出力上限;若机组出力越下限时,则将机组出力限定在机组出力下限;
步骤4-2:若机组向上爬坡时越限,则将机组出力限定在向上爬坡上限;若机组向下爬坡时越限,则将机组出力限定在向下爬坡下限;
步骤4-3:根据调整后的机组出力,重新计算网损;
步骤4-4:计算各时段机组出力的不平衡量,所述不平衡量是指各时段机组出力之和与负荷总量之间的差值,再将不平衡量根据机组等耗量微增率的大小并结合各个机组的出力上下限约束进行分配。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610039110.8A CN105719081A (zh) | 2016-01-20 | 2016-01-20 | 一种基于改进人工蜂群算法的电力***动态经济调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610039110.8A CN105719081A (zh) | 2016-01-20 | 2016-01-20 | 一种基于改进人工蜂群算法的电力***动态经济调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105719081A true CN105719081A (zh) | 2016-06-29 |
Family
ID=56153641
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610039110.8A Pending CN105719081A (zh) | 2016-01-20 | 2016-01-20 | 一种基于改进人工蜂群算法的电力***动态经济调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105719081A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106786757A (zh) * | 2016-12-30 | 2017-05-31 | 集美大学 | 基于人工蜂群算法优化孤岛式混合能源***配置的方法 |
CN107578189A (zh) * | 2017-09-26 | 2018-01-12 | 福建四创软件有限公司 | 一种基于蜂群算法的受灾人员撤离方案动态规划方法 |
CN109254566A (zh) * | 2018-07-06 | 2019-01-22 | 昆明理工大学 | 一种多批次铝件仿古铜制作的优化调度方法 |
CN109460875A (zh) * | 2018-12-14 | 2019-03-12 | 西安理工大学 | 基于果蝇优化算法的电力***经济调度方法 |
CN110942175A (zh) * | 2019-10-23 | 2020-03-31 | 江苏大学 | 基于烟花***人工蜂群算法的大规模电力***经济调度问题优化方法 |
-
2016
- 2016-01-20 CN CN201610039110.8A patent/CN105719081A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106786757A (zh) * | 2016-12-30 | 2017-05-31 | 集美大学 | 基于人工蜂群算法优化孤岛式混合能源***配置的方法 |
CN106786757B (zh) * | 2016-12-30 | 2019-05-31 | 集美大学 | 基于人工蜂群算法优化孤岛式混合能源***配置的方法 |
CN107578189A (zh) * | 2017-09-26 | 2018-01-12 | 福建四创软件有限公司 | 一种基于蜂群算法的受灾人员撤离方案动态规划方法 |
CN109254566A (zh) * | 2018-07-06 | 2019-01-22 | 昆明理工大学 | 一种多批次铝件仿古铜制作的优化调度方法 |
CN109460875A (zh) * | 2018-12-14 | 2019-03-12 | 西安理工大学 | 基于果蝇优化算法的电力***经济调度方法 |
CN109460875B (zh) * | 2018-12-14 | 2021-09-10 | 西安理工大学 | 基于果蝇优化算法的电力***经济调度方法 |
CN110942175A (zh) * | 2019-10-23 | 2020-03-31 | 江苏大学 | 基于烟花***人工蜂群算法的大规模电力***经济调度问题优化方法 |
CN110942175B (zh) * | 2019-10-23 | 2023-04-18 | 江苏大学 | 基于烟花***人工蜂群算法的大规模电力***经济调度问题优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105719081A (zh) | 一种基于改进人工蜂群算法的电力***动态经济调度方法 | |
WO2018171210A1 (zh) | 一种基于Rollout算法的多能互补微网实时调度方法 | |
CN108964128B (zh) | 基于电锅炉与储热装置协调供热的低碳经济调度求解方法 | |
CN108039736A (zh) | 一种提高风电接纳能力的大容量储热储电协调调度方法 | |
CN113690879B (zh) | 考虑电-热柔性负荷的区域综合能源***容量配置方法 | |
CN105337303A (zh) | 一种含热泵的热电联产型微电网容量优化配置方法 | |
CN111092451B (zh) | 一种基于配电网网格的光伏消纳预警方法 | |
CN107069784B (zh) | 一种利用分布式储能提高配电网负荷和光伏承载能力的优化运行方法 | |
CN103545846A (zh) | 基于广义负荷预测的微网经济运行方法 | |
CN103050998B (zh) | 一种风电并网的火电***动态调度方法 | |
CN113988714B (zh) | 计及多重不确定性的园区综合能源***动态规划方法、设备及介质 | |
CN106953367A (zh) | 用于含燃气‑蒸汽联合循环机组热电***的风电消纳方法 | |
CN111160636A (zh) | 一种cchp型微电网调度优化方法 | |
CN114066204A (zh) | 一种综合能源***的一体化优化规划与运行方法及装置 | |
CN108336768B (zh) | 一种风电场有功功率优化控制方法 | |
CN106300365A (zh) | 一种基于空调负荷的静态电压稳定控制方法 | |
CN115293457A (zh) | 基于分布式协同优化策略的综合能源***季节性氢储优化配置方法 | |
CN106505596B (zh) | 用于提升风电消纳能力的储热罐容量优化配置方法和*** | |
CN114971372A (zh) | 基于需求响应的微能网多时空尺度优化调度方法 | |
CN114648250A (zh) | 计及综合需求响应和碳排放的园区综合能源***规划方法 | |
CN106549421A (zh) | 一种水电与光电多目标优化设计与协调控制方法 | |
CN109474015A (zh) | 基于两层优化的主动配电网储能***优化配置方法及*** | |
CN104253443B (zh) | 一种虚拟小水电群有功快速调节方法 | |
CN116979578A (zh) | 一种风光水火储的电气热三联产优化调度方法和*** | |
CN113962419A (zh) | 基于改进多目标布谷鸟搜索算法的热电联产机组负荷优化分配方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160629 |
|
RJ01 | Rejection of invention patent application after publication |