CN107017640A - 一种电力***的最优潮流计算方法、装置及*** - Google Patents
一种电力***的最优潮流计算方法、装置及*** Download PDFInfo
- Publication number
- CN107017640A CN107017640A CN201710438269.1A CN201710438269A CN107017640A CN 107017640 A CN107017640 A CN 107017640A CN 201710438269 A CN201710438269 A CN 201710438269A CN 107017640 A CN107017640 A CN 107017640A
- Authority
- CN
- China
- Prior art keywords
- optimal
- particle
- populations
- load flow
- current
- 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
- 238000000205 computational method Methods 0.000 title claims abstract description 20
- 239000002245 particle Substances 0.000 claims abstract description 212
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 90
- 238000005457 optimization Methods 0.000 claims abstract description 74
- 238000013178 mathematical model Methods 0.000 claims abstract description 37
- 239000003245 coal Substances 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims description 42
- 238000000034 method Methods 0.000 claims description 30
- 230000014509 gene expression Effects 0.000 claims description 29
- 230000003044 adaptive effect Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 14
- 230000004044 response Effects 0.000 claims description 2
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 230000000717 retained effect Effects 0.000 claims 1
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000004088 simulation Methods 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
- H02J3/04—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
-
- 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
- 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
- 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
- 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
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Power Engineering (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明实施例公开了一种电力***最优潮流的计算方法、装置及***,包括初始化预设参数;利用初始化后的预设参数、差分进化算法以及粒子群优化算法对预先建立的最优潮流优化数学模型进行求解,得到最优潮流解;最优潮流优化数学模型为依据发电机的参数建立的、满足约束条件的、使机组耗煤成本最低的最优潮流优化数学模型;最优潮流优化数学模型包括目标函数及约束条件。可见,在优化前期粒子群优化算法具有较快的收敛速度,优化后期差分进化算法可以增强种群跳出局部最优解的能力,从而避免算法陷入局部最优解。通过粒子群优化算法和差分进化算法的混合算法对预先建立的最优潮流优化数学模型进行求解以得到收敛速度更快、精度更高的全局最优解。
Description
技术领域
本发明实施例涉及电力***调度自动化技术领域,特别是涉及一种电力***的最优潮流方法、装置及***。
背景技术
最优潮流是当***的结构参数及负荷给定时,通过对控制变量的寻优选择,找到满足所有运行约束条件,并使***的某一性能指标或目标函数达到最优时的潮流分布。
最优潮流是一个典型的大规模有约束非线性多峰值的非凸规划问题,针对这类问题的求解,国内外众多学者提出了各种不同的优化算法。传统的经典解算法如简化梯度法、牛顿法、二次规划法、解耦法和内点法等,对初值非常敏感且对优化目标及约束条件有一定的要求。故鉴于这类算法的以上缺点,又有人提出了新的求解最优潮流问题的算法,目前常用的算法为粒子群优化算法,克服了经典算法对初值敏感的缺点,该算法所依赖的参数较少,并且前期具有较快的收敛速度,但是后期由于所有粒子都向最优粒子靠近,种群因丧失多样性而易陷入局部最优,从而使得到的结果并不是全局最优解。
因此,如何提供一种解决上述技术问题的电力***的最优潮流方法、装置及***成为本领域的技术人员目前需要解决的问题。
发明内容
本发明实施例的目的是提供一种电力***的最优潮流方法、装置及***,在使用过程中使得到的最优解更加优化,进一步得到全局最优解。
为解决上述技术问题,本发明实施例提供了一种电力***最优潮流的计算方法,包括:
初始化预设参数;
利用初始化后的预设参数、差分进化算法以及粒子群优化算法对预先建立的最优潮流优化数学模型进行求解,得到最优潮流解;其中:
所述最优潮流优化数学模型为依据发电机的参数建立的、满足约束条件的、使机组耗煤成本最低的最优潮流优化数学模型;所述最优潮流优化数学模型包括目标函数及所述约束条件。
可选的,所述预设参数包括最大迭代次数以及每个所述发电机的参数;
则,所述利用初始化后的预设参数、差分进化算法以及粒子群优化算法对预先建立的数学优化模型进行求解,得到最优潮流解的过程具体为:
S221:依据所述发电机的参数及所述算法基本参数随机初始化种群,并将所有粒子分成PSO种群和DE种群;
S222:采用所述粒子群优化算法对所述PSO种群中的各个第一粒子进行速度和位置的更新,并依据潮流计算及所述目标函数分别计算出所述PSO种群中的各个当前粒子的适应度值,依据各个所述当前粒子的适应度值找到所述PSO种群中的最优适应度值对应的PSO种群最优粒子;
S223:采用所述差分进化算法对所述DE种群的各个第二粒子进行变异、交叉和选择处理以产生新的粒子个体,并通过所述潮流计算及所述目标函数分别计算出所述DE种群中的各个当前粒子的适应度值,依据各个所述当前粒子的适应度值找到所述DE种群中的最优适应度值对应的DE种群最优粒子;
S224:比较所述PSO种群中的最优适应度值以及所述DE种群中的最优适应度值,并将DE种群最优粒子中适应度值最优的粒子作为当前最优粒子,并保留进入下一代;
S225:判断是否满足终止条件,如果是,则将所述当前最优粒子作为最终最优粒子,并将与所述最终最优粒子对应的最优解进行输出,所述与最终最优粒子对应的最优解为使所述目标函数达到最小值的最优潮流解,否则,返回S222,以进行下一次迭代;所述终止条件为最大迭代次数和/或预设精度。
可选的,所述依据潮流计算及所述目标函数分别计算出所述PSO种群中的各个当前粒子的适应度值,依据各个所述当前粒子的适应度值找到所述PSO种群中的第一最优适应度值对应的PSO种群最优粒子的过程为:
S2221:依据潮流计算及所述目标函数分别计算出所述PSO种群中的各个当前粒子的适应度值;
S2222:依据各个所述当前粒子的适应度值找到当前最优的粒子;
S2223:采用相应的动态调整策略对所述当前最优的粒子的寿命进行动态调整,并依据调整后的寿命判断是否引入竞争者,如果是,则产生新个体粒子,并依据潮流计算及所述目标函数计算出所述新个体粒子的适应度值,并进入S2224;否则将所述当前最优的粒子作为所述PSO种群最优粒子,并保留进入下一代;
S2224:判断所述新个体粒子的适应度值是否小于所述当前最优的第一粒子的适应度值,如果是,则将所述新个体粒子作用所述第一最优粒子;否则,将所述当前最优的粒子的寿命减1,并将寿命减1后的当前最优的粒子作为所述PSO种群最优粒子,并保留进入下一代。
可选的,所述动态调整策略为:
所述PSO种群的个体优化程度值小于0,则所述当前最优的粒子的粒子寿命加2;
所述PSO种群的个体优化程度值等于0,且所述PSO种群的群体优化程度值小于0,则所述当前最优的粒子的粒子寿命加1;
所述PSO种群的个体优化程度值等于0,且所述PSO种群的群体优化程度值等于0,则所述当前最优的粒子的粒子寿命保持不变;
分别依据第一计算关系式和第二计算关系式得到相应的个体优化程度和相应的群体优化程度值,其中:
所述第一计算关系式为所述第二计算关系式为其中,表示所述PSO种群的群体优化程度值,表示所述PSO种群中第i个个体的个体优化程度值,表示最优个体适应度,f(XGbest(t))表示群体最优个体适应度,t表示当前迭代次数。
可选的,所述潮流计算满足等式约束和不等式约束,其中:
所述等式约束为
其中,N表示***中的节点数,Vi和Vj分别表示第i节点和第j节点的电压幅值;PGi和QGi分别表示第i台发电机的有功出力及其无功出力;PLi和QLi分别表示第i个节点的有功功率负荷及其无功功率负荷;δij表示第i节点和第j个节点之间的相角差;Gij和Bij分别表示第i节点和第j个节点之间互导纳的实部和虚部;
所述不等式约束为其中:
PGi min和PGi max分别表示所述第i台发电机的有功出力下限值及其有功出力上限值,QGi min和QGi max分别表示所述第i台发电机的无功出力上限值及其无功出力下限值,Vi min和Vi max分别表示所述第i个节点的节点电压下限值及其节点电压上限值,SLi和SLi max分别表示第i段线路的线路潮流及其最大线路潮流。
可选的,所述采用所述粒子群优化算法对所述PSO种群中的各个第一粒子进行速度和位置的更新的过程具体为:
采用第一计算关系式和第二计算关系式对所述PSO种群中的各个第一粒子进行速度和位置的更新,所述第一计算关系式为Vid t+1=ωVid t+c1r1(Pid t-Xid t)+c2r2(gid t-Xid t),所述第二计算关系式为Xid t+1=Xid t+Vid t+1,其中:
d=1,2,3,......D,i=1,2,3.....,n,ω表示惯性权重,c1、c2表示学习因子,r1、r2分别为介于[0,1]之间的随机数,D表示粒子维数,n表示PSO种群中的粒子数量。
可选的,如上述所述的电力***最优潮流的计算方法,所述目标函数为其中:
FC表示发电成本,NG表示***中发电机数量,PGi表示第i台发电机的有功出力,ai、bi和ci均表示第i台发电机费用系数。
可选的,所述发电机的参数包括煤耗成本函数、机组特性参数、启动耗量函数、启动耗量参数、机组输出功率限值以及机组的初始运行状态参数。
为解决上述技术问题,本发明实施例提供了一种电力***最优潮流的计算装置,包括:
初始化模块,用于初始化预设参数;
计算模块,用于利用初始化后的预设参数、差分进化算法以及粒子群优化算法对所述最优潮流优化数学模型进行求解,得到最优潮流解;其中:
所述最优潮流优化数学模型为依据发电机的参数建立的、满足约束条件的、使机组耗煤成本最低的最优潮流优化数学模型;所述最优潮流优化数学模型包括目标函数及所述约束条件。
为解决上述技术问题,本发明实施例提供了一种电力***最优潮流的计算***,包括如上述所述的电力***最优潮流的计算装置。
本发明实施例提供了一种电力***最优潮流的计算方法、装置及***,包括初始化预设参数;利用初始化后的预设参数、差分进化算法以及粒子群优化算法对预先建立的最优潮流优化数学模型进行求解,得到最优潮流解;其中最优潮流优化数学模型为依据发电机的参数建立的、满足约束条件的、使机组耗煤成本最低的最优潮流优化数学模型;最优潮流优化数学模型包括目标函数及约束条件。
可见,由于在优化前期粒子群优化算法具有较快的收敛速度,优化后期差分进化算法可以增强种群跳出局部最优解的能力,从而避免算法陷入局部最优解,所以本发明实施例中通过采用粒子群优化算法和差分进化算法的混合算法对预先建立的最优潮流优化数学模型进行求解以得到收敛速度更快、精度更高的全局最优解。。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对现有技术和实施例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一些实施例,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,还可以根据这些附图获得其他的附图。
图1为为本发明实施例提供的一种电力***最优潮流的计算方法的流程示意图;
图2为本发明实施例提供的采用三种算法计算目标函数的收敛曲线示意图;
图3为本发明实施例提供的一种电力***最优潮流的计算装置的结构示意图。
具体实施方式
本发明实施例提供了一种电力***的最优潮流方法、装置及***,在使用过程中使得到的最优解更加优化,进一步得到全局最优解。
为使本发明实施例的目的、技术方案和优点更加清楚,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。
请参照图1,图1为本发明实施例提供的一种电力***最优潮流的计算方法的流程示意图。该方法包括:
S11:初始化预设参数;
具体的,预设参数可以包括机组组合优化的机组数量、初始交叉因子、种群规模、粒子维数、惯性权、最大迭代次数以及每个发电机的参数,并对这些预设参数进行初始化,得到初始化后的预设参数。需要说明的是,初始化预设参数这一步骤可以根据实际需要进行设置,具体可以执行一次,也可以在每次计算最优潮流时进行一次初始化,具体的本发明实施例对此不做特殊的限定。
当然,预设参数不仅包括上述参数,还可以包括其他的参数,具体可以根据实际情况而定,本发明实施例对此不做特殊的限定。
S21:利用初始化后的预设参数、差分进化算法以及粒子群优化算法对预先建立的最优潮流优化数学模型进行求解,得到最优潮流解;其中:
最优潮流优化数学模型为依据发电机的参数建立的、满足约束条件的、使机组耗煤成本最低的最优潮流优化数学模型;最优潮流优化数学模型包括目标函数及相应的约束条件。
需要说明的是,首先需要预先建立最优潮流优化数学模型,该最优潮流优化数学模型包括目标函数,且满足一定的约束条件(及电力***运行的约束条件)。本发明实施例中的目标函数为其中:FC表示发电成本,NG表示***中发电机数量,PGi表示第i台发电机的有功出力,ai、bi和ci均表示第i台发电机费用系数。
在实际应用中,可能有的参数不满足上述等式约束和不等式约束,此时,还可以利用自适应调整罚函数对电力***约束条件进行越线处理,具体可以按照以下关系式进行处:
其中,Vi lim表示越限节点电压限值,若越上限值则取上限值Vi max,若越下限值则取下限值Vi min;QGi lim表示发电机无功出力限值,若越上限值则取上限值QGi max,若越下限值则取下限值QGi min;Plim表示平衡节点有功出力限值,若越上限值则取上限值Pmax,若越下限值则取下限值Pmin;KV、KQ、KP分别表示与对应的惩罚项对应的惩罚系数。
进一步的,预设参数包括最大迭代次数以及每个发电机的参数;
则相应的,利用初始化后的预设参数、差分进化算法以及粒子群优化算法对预先建立的数学优化模型进行求解,得到最优潮流解的过程具体为:
S221:依据所述发电机的参数及所述算法基本参数随机初始化种群,并将所有粒子分成PSO种群和DE种群;
需要说明的是,可以将初始化后的种群中的所有粒子分成PSO种群和DE种群,具体可以按照预设规则进行分配,例如将所有粒子均匀的分成PSO种群和DE种群,当然,本发明实施例对具体的分组方式不进行任何限定,能实现本发明实施例的目的即可。然后,将PSO种群以及DE种群中的各个粒子进行初始化,使各个粒子具有各自的初始速度及初始位置。
S222:采用粒子群优化算法(PSO)对PSO种群中的各个粒子进行速度和位置的更新,并依据潮流计算及目标函数分别计算出PSO种群中的各个当前粒子的适应度值,依据各个当前粒子的适应度值找到PSO种群中的最优适应度值对应的PSO种群最优粒子;
具体的,可以采用粒子群优化算法对PSO种群中的各个粒子进行速度和位置的更新,得到更新后的粒子,当前粒子即为更新后的粒子。则,采用粒子群优化算法对PSO种群中的各个粒子进行速度和位置的更新的过程,具体可以为:
采用第一计算关系式和第二计算关系式对PSO种群中的各个第一粒子进行速度和位置的更新,第一计算关系式为Vid t+1=ωVid t+c1r1(Pid t-Xid t)+c2r2(gid t-Xid t),第二计算关系式为Xid t+1=Xid t+Vid t+1,其中,d=1,2,3,......D,i=1,2,3.....,n,ω表示惯性权重,c1、c2表示学习因子,r1、r2分别为介于[0,1]之间的随机数,D表示粒子维数,n表示PSO种群中的粒子数量。
进一步的,在S222中依据潮流计算及所述目标函数分别计算出PSO种群中的各个当前粒子的适应度值,依据各个当前粒子的适应度值找到PSO种群中的最优适应度值对应的PSO种群最优粒子的过程具体为:
S2221:依据潮流计算及所述目标函数分别计算出PSO种群中的各个当前粒子的适应度值;
S2222:依据各个当前粒子的适应度值找到当前最优的粒子;
S2223:采用相应的动态调整策略对当前最优的粒子的寿命进行动态调整,并依据调整后的寿命判断是否引入竞争者,如果是,则产生新个体粒子,并依据潮流计算及目标函数计算出新个体粒子的适应度值,并进入S2224;否则将当前最优的粒子作为PSO种群最优粒子,并保留进入下一代;
S2224:判断新个体粒子的适应度值是否小于当前最优的粒子的适应度值,如果是,则将新个体粒子作用PSO种群最优粒子;否则,将当前最优的粒子的寿命减1,并将寿命减1后的当前最优的粒子作为PSO种群最优粒子。
需要说明的是,依据潮流计算及目标函数分别计算出PSO种群中的各个当前粒子(及更新后的粒子)的适应度值,将适应度值中最优的适应度值对应的粒子为当前PDS种群中的当前最优的粒子。通过对当前最优的粒子的寿命进行动态调整后得到当前最优的粒子的寿命,依据该寿命判断是否需要引入竞争者,也即判断当前最优的粒子的当前寿命是否达到预设寿命,当其达到预设寿命时就产生新的粒子(及新个体粒子),并计算该新个体粒子的适应度值,当该新个体粒子的适应度值比当前最优的粒子的适应度值更优(及更小)时,则用该新个体粒子代替当前最优的粒子,成为PSO种群最优粒子,当该新个体粒子的适应度值没有比当前最优的粒子的适应度值更优时,则将当前最优的粒子的寿命减一,并将改变寿命后的当前最优的粒子作为该PSO种群最优粒子。
具体的,通过当前最优的粒子的适应度值可以找到PSO种群的个体极值优化程度和群体极值优化程度,其值越大说明PSO种群中的当前最优的粒子的引导能力就越强。
那么,在通过当前最优的粒子的适应度值可以找到PSO种群的个体极值优化程度和群体极值优化程度后,根据个体极值优化程度和群体极值优化程度后来动态调整相应粒子的寿命,则相应的动态调整策略具体可以为:
若PSO种群的个体优化程度值小于0,则当前最优的粒子的粒子寿命加2;
若PSO种群的个体优化程度值等于0,且PSO种群的群体优化程度值小于0,则当前最优的粒子的粒子寿命加1;
若PSO种群的个体优化程度值等于0,且PSO种群的群体优化程度值等于0,则当前最优的粒子的粒子寿命保持不变;
分别依据第一计算关系式和第二计算关系式得到相应的个体优化程度和相应的群体优化程度值,其中:
第一计算关系式为第二计算关系式为其中,表示PSO种群的群体优化程度值,表示PSO种群中第i个个体的个体优化程度值,表示最优个体适应度,f(XGbest(t))表示群体最优个体适应度,t表示当前迭代次数。
S223:采用差分进化算法(DE)对DE种群的各个粒子进行变异、交叉和选择处理以产生新的粒子个体,并通过潮流计算及目标函数分别计算出DE种群中的各个当前粒子的适应度值,依据各个当前粒子的适应度值找到DE种群中的最优适应度值对应的DE种群最优粒子;
需要说明的是,具体可以通过多项式变异策略产生新的粒子个体,具体为:
以克隆个体为父代p,对每个p按式ck=pk+(xk u-xk l)δk生成子代c,其中,ck、pk分别表示c、p的第k个分量,xk u、xk l分别表示优化变量第k个分量的上下限值,其上限和下限分别为1和0;
并且,δk可以按照公式计算得出,其中,rk表示均匀分布于[0,1]上的随机数;ηm表示变异因子,即控制变异的程度。
S224:比较PSO种群中的最优适应度值以及DE种群中的最优适应度值,并将PSO种群最优粒子与DE种群最优粒子中适应度值最优的粒子作为当前最优粒子,并保留进入下一代;
S225:判断是否满足终止条件,如果是,则将当前最优粒子作为最终最优粒子,并将与最终最优粒子对应的最优解进行输出,所述与最终最优粒子对应的最优解为使所述目标函数达到最小值的最优潮流解,否则,返回S222,以进行下一次迭代;终止条件为最大迭代次数和/或预设精度。
具体的,在每次迭代的过程中均将两个种群中的最优粒子进行比较,从中选出更优的粒子作为本次迭代的当前最优粒子,如果迭代次数没有达到最大迭代次数,并且精度也没有达到预设精度,此时,将进行下一次迭代,在下一次迭代过程中依旧分别选出两个种群当前粒子中的最优粒子,并从选出的两个最优粒子中再选出更优的粒子作为本次迭代的当前最优粒子,并将本次迭代的当前最优粒子与上次迭代的当前最优粒子进行比较,从中选择出更优的那个粒子,用于下一次迭代。如果迭代次数达到了最大迭代次数和/或精度达到预设精度,此时迭代结束,将本次得到的最优的粒子作用整个寻优过程的最终最优粒子,与该最终最优粒子对应的最优解为使所述目标函数达到最小值的最优潮流解。
需要说明的是,本发明实施例中所提供的潮流计算应满足等式约束和不等式约束,其中:
等式约束为
其中,N表示***中的节点数,Vi和Vj分别表示第i节点和第j节点的电压幅值;PGi和QGi分别表示第i台发电机的有功出力及其无功出力;PLi和QLi分别表示第i个节点的有功功率负荷及其无功功率负荷;δij表示第i节点和第j个节点之间的相角差;Gij和Bij分别表示第i节点和第j个节点之间互导纳的实部和虚部;
不等式约束为其中:
PGi min和PGi max分别表示第i台发电机的有功出力下限值及其有功出力上限值,QGi min和QGi max分别表示第i台发电机的无功出力上限值及其无功出力下限值,Vi min和Vi max分别表示第i个节点的节点电压下限值及其节点电压上限值,SLi和SLi max分别表示第i段线路的线路潮流及其最大线路潮流。
另外,发电机的参数包括煤耗成本函数、机组特性参数、启动耗量函数、启动耗量参数、机组输出功率限值以及机组的初始运行状态参数。
当然,本发明实施例中的发电机的参数不仅限于包括以上几种参数,还可以包括其他类型的参数,具体可以根据实际情况而定,本发明实施例对此不做特殊的限定,能实现本发明实施例的目的即可。
此外,为进一步说明本发明实施例,下面以改进IEEE30节点***为例对煤耗成本目标函数进行电力***潮流优化来对本发明实施例进行详细的说明:
本发明实施例中预设参数具体为,种群规模Np=60,学习因子c1=2和c2=2,惯性权重ω为[0.4,0.9],最优粒子初始年龄θo=0,寿命Θo=3,交叉概率CRo=0.8,最大迭代次数Tmax=100。
具体的,改进IEEE30节电***的参数包括6台发电机(节点1、2、5、8、11、13),4台可调变压器,41条线路,假设在10、12、15、17、20、21、23、24和29节点接入无功补偿装置,负荷节点电压限值设为0.95--1.05p.u,基准容量为100MVA。其中,发电机的有功功率、无功功率和发电费用参数信息(及发电机耗量系数)如表1所示。
表1
本发明实施例中将差分进化算法和粒子群优化算法结合后应用于对电力***的最优潮流优化数学模型进行求解,可以将差分进化算法和粒子群优化算法结合的算法称之为差分粒子群算法(DEPSO算法)。为了显示其效果,将其与标准的粒子群优化算法和差分进化算法进行比较,每种算法运行40次,三种算法计算目标函数的收敛曲线如图2所示。另外,表2中给出了三种算法的仿真结果,包括最优控制变量和最优煤耗成本。
图2中,曲线1表示采用DE算法对目标函数进行计算得到的收敛曲线,曲线2表示采用PSO算法对目标函数进行计算得到的收敛曲线,曲线3表示采用本发明实施例中提供的DEPSO算法对目标函数进行计算得到的收敛曲线,进化代数即为迭代次数。故,由图2可知,DEPSO算法前期初始点与PSO算法和DE算法基本相同,但其收敛速度非常快,达到相同精度的迭代次数明显少于其他两种算法。另外该本发明实施例中所采用的算法收敛过程较为平缓,显示了其良好的鲁棒性能,并且在迭代至第26代时就收敛到较为满意的解,寻找到的最优解要优于单独采用PSO算法或单独采用DE算法找到的最优解,也即本发明实施例中所提供的方法可以使得到的最优解更加优化,并且具有更强的跳出局部最优解的能力。本发明实施例提供的电力***最优潮流的计算方法有利于高效分配资源的电网调度计划的编排,有效提高了电网的运行经济性,并且该方法优化后的结果无需人工进行修正和调整,应用前景广泛。
表2
本发明实施例提供了一种电力***最优潮流的计算方法,包括初始化预设参数;利用初始化后的预设参数、差分进化算法以及粒子群优化算法对预先建立的最优潮流优化数学模型进行求解,得到最优潮流解;其中最优潮流优化数学模型为依据发电机的参数建立的、满足运行约束条件的、使机组耗煤成本最低的最优潮流优化数学模型;最优潮流优化数学模型包括目标函数。
可见,由于在优化前期粒子群优化算法具有较快的收敛速度,优化后期差分进化算法可以增强种群跳出局部最优解的能力,从而避免算法陷入局部最优解,所以本发明实施例中通过采用粒子群优化算法和差分进化算法的混合算法对预先建立的最优潮流优化数学模型进行求解以得到收敛速度更快、精度更高的全局最优解。
相应的本发明实施例还公开了一种电力***最优潮流的计算装置,具体请参照图3,图3为本发明实施例提供的一种电力***最优潮流的计算装置的结构示意图。在上述实施例的基础上:
该装置包括:
初始化模块1,用于初始化预设参数;
计算模块2,用于利用初始化后的预设参数、差分进化算法以及粒子群优化算法对最优潮流优化数学模型进行求解,得到最优潮流解;其中:
最优潮流优化数学模型为依据发电机的参数建立的、满足运行约束条件的、使机组耗煤成本最低的最优潮流优化数学模型;最优潮流优化数学模型包括目标函数。
需要说明的是,本发明实施例提供了一种电力***最优潮流的计算***,通过采用粒子群优化算法和差分进化算法对预先建立的最优潮流优化数学模型进行求解可以使得到的最优解更加优化,进一步得到全局最优解。
另外,对于本发明实施例中涉及到的电力***最优潮流的计算方法的具体介绍,请参照上述方法实施例,本申请在此不再赘述赘述。
在上述实施例的基础上,本发明实施例提供了一种电力***最优潮流的计算***,包括如上述的电力***最优潮流的计算装置。
需要说明的是,本发明实施例提供了一种电力***最优潮流的计算装置,通过采用粒子群优化算法和差分进化算法对预先建立的最优潮流优化数学模型进行求解可以使得到的最优解更加优化,进一步得到全局最优解。
另外,对于本发明实施例中涉及到的电力***最优潮流的计算方法的具体介绍,请参照上述方法实施例,本申请在此不再赘述赘述。
还需要说明的是,在本说明书中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
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,在其他实施例中实现。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)
1.一种电力***最优潮流的计算方法,其特征在于,包括:
初始化预设参数;
利用初始化后的预设参数、差分进化算法以及粒子群优化算法对预先建立的最优潮流优化数学模型进行求解,得到最优潮流解;其中:
所述最优潮流优化数学模型为依据发电机的参数建立的、满足约束条件的、使机组耗煤成本最低的最优潮流优化数学模型;所述最优潮流优化数学模型包括目标函数及所述约束条件。
2.根据权利要求1所述的电力***最优潮流的计算方法,其特征在于,所述预设参数包括最大迭代次数、算法基本参数以及每个所述发电机的参数;
则,所述利用初始化后的预设参数、差分进化算法以及粒子群优化算法对预先建立的数学优化模型进行求解,得到最优潮流解的过程具体为:
S221:依据所述发电机的参数及所述算法基本参数随机初始化种群,并将所有粒子分成PSO种群和DE种群;
S222:采用所述粒子群优化算法对所述PSO种群中的各个粒子进行速度和位置的更新,并依据潮流计算及所述目标函数分别计算出所述PSO种群中的各个当前粒子的适应度值,依据各个所述当前粒子的适应度值找到所述PSO种群中的最优适应度值对应的PSO种群最优粒子;
S223:采用所述差分进化算法对所述DE种群的各个粒子进行变异、交叉和选择处理以产生新的粒子个体,并通过所述潮流计算及所述目标函数分别计算出所述DE种群中的各个当前粒子的适应度值,依据各个所述当前粒子的适应度值找到所述DE种群中的最优适应度值对应的DE种群最优粒子;
S224:比较所述PSO种群中的最优适应度值以及所述DE种群中的最优适应度值,并将所述PSO种群最优粒子与DE种群最优粒子中适应度值最优的粒子作为当前最优粒子,并保留进入下一代;
S225:判断是否满足终止条件,如果是,则将所述当前最优粒子作为最终最优粒子,并将与所述最终最优粒子对应的最优解进行输出,所述与最终最优粒子对应的最优解为使所述目标函数达到最小值的最优潮流解,否则,返回S222,以进行下一次迭代;所述终止条件为最大迭代次数和/或预设精度。
3.根据权利要求2所述的电力***最优潮流的计算方法,其特征在于,所述依据潮流计算及所述目标函数分别计算出所述PSO种群中的各个当前粒子的适应度值,依据各个所述当前粒子的适应度值找到所述PSO种群中的最优适应度值对应的PSO种群最优粒子的过程为:
S2221:依据潮流计算及所述目标函数分别计算出所述PSO种群中的各个当前粒子的适应度值;
S2222:依据各个所述当前粒子的适应度值找到当前最优的粒子;
S2223:采用相应的动态调整策略对所述当前最优的粒子的寿命进行动态调整,并依据调整后的寿命判断是否引入竞争者,如果是,则产生新个体粒子,并依据潮流计算及所述目标函数计算出所述新个体粒子的适应度值,并进入S2224;否则将所述当前最优的粒子作为所述PSO种群最优粒子,并保留进入下一代;
S2224:判断所述新个体粒子的适应度值是否小于所述当前最优的粒子的适应度值,如果是,则将所述新个体粒子作用所述PSO种群最优粒子;否则,将所述当前最优的粒子的寿命减1,并将寿命减1后的当前最优的粒子作为所述PSO种群最优粒子,并保留进入下一代。
4.根据权利要求3所述的电力***最优潮流的计算方法,其特征在于,所述动态调整策略为:
所述PSO种群的个体优化程度值小于0,则所述当前最优的粒子的粒子寿命加2;
所述PSO种群的个体优化程度值等于0,且所述PSO种群的群体优化程度值小于0,则所述当前最优的粒子的粒子寿命加1;
所述PSO种群的个体优化程度值等于0,且所述PSO种群的群体优化程度值等于0,则所述当前最优的粒子的粒子寿命保持不变;
分别依据第一计算关系式和第二计算关系式得到相应的个体优化程度和相应的群体优化程度值,其中:
所述第一计算关系式为所述第二计算关系式为其中,表示所述PSO种群的群体优化程度值,表示所述PSO种群中第i个个体的个体优化程度值,表示最优个体适应度,f(XGbest(t))表示群体最优个体适应度,t表示当前迭代次数。
5.根据权利要求2所述的电力***最优潮流的计算方法,其特征在于,所述潮流计算满足等式约束和不等式约束,其中:
所述等式约束为
其中,N表示***中的节点数,Vi和Vj分别表示第i节点和第j节点的电压幅值;PGi和QGi分别表示第i台发电机的有功出力及其无功出力;PLi和QLi分别表示第i个节点的有功功率负荷及其无功功率负荷;δij表示第i节点和第j个节点之间的相角差;Gij和Bij分别表示第i节点和第j个节点之间互导纳的实部和虚部;
所述不等式约束为其中:
PGi min和PGi max分别表示所述第i台发电机的有功出力下限值及其有功出力上限值,QGi min和QGi max分别表示所述第i台发电机的无功出力上限值及其无功出力下限值,Vi min和Vi max分别表示所述第i个节点的节点电压下限值及其节点电压上限值,SLi和SLi max分别表示第i段线路的线路潮流及其最大线路潮流。
6.根据权利要求2所述的电力***最优潮流的计算方法,其特征在于,所述采用所述粒子群优化算法对所述PSO种群中的各个第一粒子进行速度和位置的更新的过程具体为:
采用第一计算关系式和第二计算关系式对所述PSO种群中的各个第一粒子进行速度和位置的更新,所述第一计算关系式为Vid t+1=ωVid t+c1r1(Pid t-Xid t)+c2r2(gid t-Xid t),所述第二计算关系式为Xid t+1=Xid t+Vid t+1,其中:
d=1,2,3,......D,i=1,2,3.....,n,ω表示惯性权重,c1、c2表示学习因子,r1、r2分别为介于[0,1]之间的随机数,D表示粒子维数,n表示PSO种群中的粒子数量。
7.根据权利要求1-6任意一项所述的电力***最优潮流的计算方法,其特征在于,所述目标函数为其中:
FC表示发电成本,NG表示***中发电机数量,PGi表示第i台发电机的有功出力,ai、bi和ci均表示第i台发电机费用系数。
8.根据权利要求7所述的电力***最优潮流的计算方法,其特征在于,所述发电机的参数包括煤耗成本函数、机组特性参数、启动耗量函数、启动耗量参数、机组输出功率限值以及机组的初始运行状态参数。
9.一种电力***最优潮流的计算装置,其特征在于,包括:
初始化模块,用于初始化预设参数;
计算模块,用于利用初始化后的预设参数、差分进化算法以及粒子群优化算法对所述最优潮流优化数学模型进行求解,得到最优潮流解;其中:
所述最优潮流优化数学模型为依据发电机的参数建立的、满足约束条件的、使机组耗煤成本最低的最优潮流优化数学模型;所述最优潮流优化数学模型包括目标函数及所述约束条件。
10.一种电力***最优潮流的计算***,其特征在于,包括如权利要求9所述的电力***最优潮流的计算装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710438269.1A CN107017640B (zh) | 2017-06-12 | 2017-06-12 | 一种电力***的最优潮流计算方法、装置及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710438269.1A CN107017640B (zh) | 2017-06-12 | 2017-06-12 | 一种电力***的最优潮流计算方法、装置及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107017640A true CN107017640A (zh) | 2017-08-04 |
CN107017640B CN107017640B (zh) | 2019-11-22 |
Family
ID=59453131
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710438269.1A Expired - Fee Related CN107017640B (zh) | 2017-06-12 | 2017-06-12 | 一种电力***的最优潮流计算方法、装置及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107017640B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107732917A (zh) * | 2017-10-23 | 2018-02-23 | 云南电网有限责任公司临沧供电局 | 一种配电网合环转供电潮流计算优化方法 |
CN110137969A (zh) * | 2019-05-24 | 2019-08-16 | 大连理工大学 | 一种基于协同进化求解电力***多目标最优潮流的方法 |
CN110689156A (zh) * | 2018-07-04 | 2020-01-14 | 新智数字科技有限公司 | 一种泛能站优化方法及装置 |
CN110929943A (zh) * | 2019-11-27 | 2020-03-27 | 中国电力工程顾问集团西北电力设计院有限公司 | 一种用于求解电力***最优潮流的交替搜索方法 |
CN111069328A (zh) * | 2019-12-03 | 2020-04-28 | 广东工业大学 | 一种基于粒子群算法的等温挤压工艺参数优化方法 |
CN111276979A (zh) * | 2020-03-13 | 2020-06-12 | 海仿(上海)科技有限公司 | 分布式电站的多目标最优潮流计算方法、装置和设备 |
CN111609524A (zh) * | 2019-02-25 | 2020-09-01 | 新奥数能科技有限公司 | 一种变风量中央空调风量水量组合优化的方法及装置 |
CN112884202A (zh) * | 2021-01-19 | 2021-06-01 | 南方电网科学研究院有限责任公司 | 一种最优潮流计算方法、装置及计算机可存储介质 |
CN113743806A (zh) * | 2021-09-09 | 2021-12-03 | 广西康耐肯特科技有限公司 | 一种电力***非凸双目标最优潮流全局解的搜索方法 |
CN115986744A (zh) * | 2022-12-28 | 2023-04-18 | 国网安徽省电力有限公司芜湖供电公司 | 一种含共享储能的配电网潮流优化方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000116003A (ja) * | 1998-09-29 | 2000-04-21 | Kansai Electric Power Co Inc:The | 電圧無効電力制御方法 |
CN102170137A (zh) * | 2011-04-26 | 2011-08-31 | 华北电力大学 | 一种电力***配电网的无功优化方法 |
CN102222919A (zh) * | 2011-05-19 | 2011-10-19 | 西南交通大学 | 基于改进差分进化算法的电力***无功优化方法 |
CN105790282A (zh) * | 2016-03-07 | 2016-07-20 | 国网江苏省电力公司电力科学研究院 | 一种含upfc电网的无功优化分析***和方法 |
CN106033887A (zh) * | 2015-03-18 | 2016-10-19 | 南京理工大学 | 一种基于改进pso-de混合算法的配电网重构方法 |
CN106295880A (zh) * | 2016-08-10 | 2017-01-04 | 广东工业大学 | 一种电力***多目标无功优化的方法及*** |
CN106505575A (zh) * | 2016-12-09 | 2017-03-15 | 燕山大学 | 一种基于粒计算的线路潮流经济调度方法 |
-
2017
- 2017-06-12 CN CN201710438269.1A patent/CN107017640B/zh not_active Expired - Fee Related
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000116003A (ja) * | 1998-09-29 | 2000-04-21 | Kansai Electric Power Co Inc:The | 電圧無効電力制御方法 |
CN102170137A (zh) * | 2011-04-26 | 2011-08-31 | 华北电力大学 | 一种电力***配电网的无功优化方法 |
CN102222919A (zh) * | 2011-05-19 | 2011-10-19 | 西南交通大学 | 基于改进差分进化算法的电力***无功优化方法 |
CN106033887A (zh) * | 2015-03-18 | 2016-10-19 | 南京理工大学 | 一种基于改进pso-de混合算法的配电网重构方法 |
CN105790282A (zh) * | 2016-03-07 | 2016-07-20 | 国网江苏省电力公司电力科学研究院 | 一种含upfc电网的无功优化分析***和方法 |
CN106295880A (zh) * | 2016-08-10 | 2017-01-04 | 广东工业大学 | 一种电力***多目标无功优化的方法及*** |
CN106505575A (zh) * | 2016-12-09 | 2017-03-15 | 燕山大学 | 一种基于粒计算的线路潮流经济调度方法 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107732917A (zh) * | 2017-10-23 | 2018-02-23 | 云南电网有限责任公司临沧供电局 | 一种配电网合环转供电潮流计算优化方法 |
CN110689156A (zh) * | 2018-07-04 | 2020-01-14 | 新智数字科技有限公司 | 一种泛能站优化方法及装置 |
CN110689156B (zh) * | 2018-07-04 | 2023-03-07 | 新智数字科技有限公司 | 一种泛能站优化方法及装置 |
CN111609524A (zh) * | 2019-02-25 | 2020-09-01 | 新奥数能科技有限公司 | 一种变风量中央空调风量水量组合优化的方法及装置 |
CN110137969A (zh) * | 2019-05-24 | 2019-08-16 | 大连理工大学 | 一种基于协同进化求解电力***多目标最优潮流的方法 |
CN110929943A (zh) * | 2019-11-27 | 2020-03-27 | 中国电力工程顾问集团西北电力设计院有限公司 | 一种用于求解电力***最优潮流的交替搜索方法 |
CN111069328A (zh) * | 2019-12-03 | 2020-04-28 | 广东工业大学 | 一种基于粒子群算法的等温挤压工艺参数优化方法 |
CN111276979A (zh) * | 2020-03-13 | 2020-06-12 | 海仿(上海)科技有限公司 | 分布式电站的多目标最优潮流计算方法、装置和设备 |
CN112884202A (zh) * | 2021-01-19 | 2021-06-01 | 南方电网科学研究院有限责任公司 | 一种最优潮流计算方法、装置及计算机可存储介质 |
CN112884202B (zh) * | 2021-01-19 | 2022-08-26 | 南方电网科学研究院有限责任公司 | 一种最优潮流计算方法、装置及计算机可存储介质 |
CN113743806A (zh) * | 2021-09-09 | 2021-12-03 | 广西康耐肯特科技有限公司 | 一种电力***非凸双目标最优潮流全局解的搜索方法 |
CN113743806B (zh) * | 2021-09-09 | 2024-03-19 | 广西康耐肯特科技有限公司 | 一种电力***非凸双目标最优潮流全局解的搜索方法 |
CN115986744A (zh) * | 2022-12-28 | 2023-04-18 | 国网安徽省电力有限公司芜湖供电公司 | 一种含共享储能的配电网潮流优化方法 |
CN115986744B (zh) * | 2022-12-28 | 2024-02-06 | 国网安徽省电力有限公司芜湖供电公司 | 一种含共享储能的配电网潮流优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107017640B (zh) | 2019-11-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107017640A (zh) | 一种电力***的最优潮流计算方法、装置及*** | |
CN110535146A (zh) | 基于深度确定策略梯度强化学习的电力***无功优化方法 | |
CN114362196B (zh) | 一种多时间尺度主动配电网电压控制方法 | |
WO2022127652A1 (zh) | 一种空调聚合控制方法、***和调控装置 | |
CN110535121B (zh) | 一种交直流混联电网的两阶段多目标动态优化调度方法 | |
CN107579518A (zh) | 基于mhba的电力***环境经济调度方法和装置 | |
CN111277004B (zh) | 一种配电网“源-网-荷”两阶段多目标控制方法及*** | |
Zou | Design of reactive power optimization control for electromechanical system based on fuzzy particle swarm optimization algorithm | |
CN110276517B (zh) | 一种基于mopso算法的电动汽车充电站选址方法 | |
CN115577864B (zh) | 基于多模型组合运算的配电网运行优化调度方法 | |
CN113300380B (zh) | 一种基于负荷曲线分段的配电网无功优化补偿方法 | |
CN107516892A (zh) | 基于处理有功优化约束条件提高电能质量的方法 | |
CN112202205A (zh) | 一种多能源三级自律协同控制方法及装置 | |
CN107221936A (zh) | 一种含风电场的最优潮流计算方法及装置 | |
CN116865270A (zh) | 一种含嵌入式直流的柔性互联配电网优化调度方法及*** | |
CN107609690A (zh) | 一种负荷主动管理决策优化的方法 | |
CN111146782B (zh) | 一种主动配电网分层的时变优化追踪方法 | |
CN111799820A (zh) | 一种电力***双层智能混合零星云储能对抗调控方法 | |
CN116683518A (zh) | 计及低碳效益的配电网综合评估方法 | |
CN114400675B (zh) | 基于权重均值深度双q网络的主动配电网电压控制方法 | |
CN116645089A (zh) | 一种考虑退役电池容量退化的储能***双层优化配置方法 | |
CN110729723B (zh) | 一种配电网中电能质量治理模型的获得方法及装置 | |
Vijayalaksmi et al. | Optimal placement of dg units and network reconfiguration for power loss minimization and voltage profile improvement in distribution network | |
CN110729759B (zh) | 一种微电网中分布式电源配置方案的确定方法及装置 | |
CN113595069A (zh) | 一种配电网光伏消纳容量提升方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20191122 |