CN109217381A - 一种基于粒子群算法的能源路由器更换时间优化配置方法 - Google Patents
一种基于粒子群算法的能源路由器更换时间优化配置方法 Download PDFInfo
- Publication number
- CN109217381A CN109217381A CN201811331387.3A CN201811331387A CN109217381A CN 109217381 A CN109217381 A CN 109217381A CN 201811331387 A CN201811331387 A CN 201811331387A CN 109217381 A CN109217381 A CN 109217381A
- Authority
- CN
- China
- Prior art keywords
- energy
- equipment
- replacing construction
- source router
- load
- 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
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
- H02J3/38—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]
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于粒子群算法的能源路由器更换时间优化配置方法,本发明综合考虑不同能源路由器的更换时间管理以及能量传输的线损问题,在可以自由预先设置设备最大更换时间间隔情况下,选取每台能源路由器向负荷供能的占比,以及能源路由器实际使用时长为决策变量,采用启发式的粒子群算法,模拟群体智能,将变量看成一个个粒子,拥有位置和速度两个属性,然后根据自身已经找到的离最优解最近的解和参考整个共享于整个集群中找到的最优解改变自身的位置,使整个集群大致向同一个地方聚集,这个地方正是最优解。本发明对于能源路由器的传输效率以及更换时间统一管理的研究推广具有重要科学意义和应用价值。
Description
技术领域
本发明属于能源互联网领域,尤其涉及一种基于粒子群算法的能源路由器更换时间优化配置方法。
背景技术
近年来,能源问题已成为世界各国所需讨论解决的首要难题,世界各个国家及组织积极开展探究新型替代能源的技术。其中,可再生能源以其可再生、无污染的特点受到了高度重视。随着新能源技术的发展,并伴随着能源技术创新和互联网技术的深度融合的巨大潜力,诞生了“能源互联网”的宏观结构,该体系具有“多能互补,源网荷储”的统一多能互补协调的核心理念,不仅可以实现能源的“就地采集,原地存储,现场利用”功能,还可以作为具有数个完整功能的局域小型供电***与电网互联。
由于多种新型能源的加入,以及负荷对于能量需求形式的多样化,因此在网络中需要多种能源路由器,如电力变压器、微型燃气轮机、光伏发电装置等。由于发电区域通常环境恶劣,范围广,并且需要减少由于能量耗尽而进行设备更换的频率,结合不同类型的能源路由器具有不同的总发电量限额,因此需要对不同的能源路由器进行使用时长的统一管理。同时,不同位置的能源路由器向负荷供能时对应不同的能量传输损耗,为了提高能量传输的效率,因此需要尽可能减少向负荷供电的总损耗。综合考虑能源路由器的使用时长,以及供能的总损耗,对能源互联网的配置具有较大的社会与经济意义。
粒子群算法是一种应用广泛的启发式智能优化方法,来源于自然界动物集群活动,是人工智能领域的重要分支,对优化问题的限制条件较少,具有极强的通用性,易于通过编程实现。
发明内容
在分布式发电中,能源类型的多样性以及负荷需求类型的多样性,使网络中存在多种能源路由器。能源路由器配置区域通常环境恶劣,范围广,而且均有总发电量的限制,且不同类型的能源路由器通常对应不同的总发电量限额。如果单一能源路由器长时间连续使用或过载运行,则该设备损耗速度快,使用时长缩短,如果对单一能源路由器减少运行频率或轻载运行,通过代价较小的维护可以使其实际使用时长延长。如果对分布式发电区域的能源路由器设备不进行更换时间的统一管理,工作人员便需要频繁地前往该区域进行设备的更换。同时,由于发电区域范围较广,不同位置的能源路由器向同一负荷供电时对应有不同的能量线损,减少能量的线损可以提升发电的效率。本发明综合考虑不同能源路由器的更换时间管理,以及能量传输的线损问题,在可以自由预先设置设备最大更换时间间隔情况下,选取每台能源路由器向负荷供能的占比,以及能源路由器实际使用时长为决策变量,采用启发式的粒子群算法,模拟群体智能,将变量看成一个个粒子,拥有位置和速度两个属性,然后根据自身已经找到的离最优解最近的解和参考整个共享于整个集群中找到的最优解改变自身的位置,使整个集群大致向同一个地方聚集,这个地方正是最优解。粒子群算法规则设置简单,实现容易、精度高、收敛快,比较容易实现并行。本发明方法的具体实现包括以下步骤:
(1)能源互联网中,由于发电形式的多样性以及负荷类型的多样性,分布式发电区域中存在多种类型的能源路由器,如电力变压器、微型燃气轮机、光伏发电装置等,将不同类型的能源路由器进行统一管理,获取所管理设备的剩余能量E(t),表示为:
其中,Ej(t)为设备j在时刻t的剩余能量,m为分布式发电区域待统一管理的总设备数;将m台设备的使用时长,即下次更换时间Tchange记为:
其中,为设备j下次更换时间;
预先设置m台设备的最大更换时间间隔Tinterval,则m台设备的最早更换时间Tf为:
其中,Tter为m台设备的最晚更换时间,m台设备均需要在[Tf,Tter]时间段内进行更换;
(2)获取能源互联网负荷端多个负荷的需求供电量L(t),表示为:
L(t)=[L1(t),L2(t),...,Ln(t)]
其中,Li(t)为负荷i在时刻t所需电量,n为负荷端的负荷总数;
(3)每台能源路由器向负荷供电时具有不同的能量传输距离,对应不同的能量线损率,该分布式发电区域的能量线损率Hloss表示为:
其中,Dji为设备j与负荷i的能量传输距离,δ为单位传输距离的能量损耗率;
(4)当时刻t每台能源路由器单独向负荷供电时,所需发电量Ep(t)为:
每台能源路由器所需发电量与自身剩余能量占比K为:
(5)对于每个负荷,通常需要多个能源路由器同时向其供电,选取所需发电量与剩余能量占比最小,同时能量传输过程损耗最小的能源路由器向该负荷供能占比最大时,发电效率最高,同时便于设备更换时间的统一管理;
在选取能源路由器向负荷供电时,综合考虑每台能源路由器发电配比与实际使用时长两方面,其中发电配比需考虑该能源路由器所需发电量与自身剩余能量占比,以及该能源路由器供能的损耗与负荷大小比值两项因素;
在t时刻对于某负荷i,首先考虑发电配比R(t,i)为:
其中α为预先设置的第一项因素权重,则1-α为第二项因素权重;
其次根据设备的实际使用时长对发电配比进行相应的调整,得到每台设备对负荷i的实际供能权重W(t,i),表示为:
(6)对于每个负荷,以每台能源路由器实际供能权重按反比例对其进行供能,即权重值越大,供能占比越小;能源路由器的实际供能Er(t)为:
其中Erji(t)表示设备j在t时刻对负荷i的实际供能;
(7)经过供能分配之后,得到每台设备剩余能量E(t+1)为:
当某台设备j的剩余能量达到需要进行更换的最小剩余能量阈值,则需要对该台设备进行更换,获得该台设备的下次更换时间
(8)将m台设备对n个负荷进行供能的总损耗作为目标函数,表示为:
约束条件为:
对每台设备j,应满足以下条件:
其中,Pj(t)为设备j的输出功率,Pj(t)max为设备j的最大输出功率,通常为额定功率,Pj(t)min为设备j的最小输出功率;
(9)采用启发式的粒子群算法求解目标函数,使能源路由器更换时间在预先设置的更换时间段内,能量传输总损耗达到最小;目标函数的求解过程具体如下:
(9.1)对每台设备j选取其计算得出的发电配比作为初始配比值,选取设备更换时间从Tf到Tter之间的随机数作为初始更换时间值,所有设备的初始配比值和初始更换时间值共同作为种群中的一个个体;初始化种群个体数量、最大迭代次数并设置位置参数限制、速度限制、惯性权重w、自我学习因子c1、群体学习因子c2;初始化种群位置x(1)为随机位置、种群速度v(1)为随机速度、每个个体及种群的历史最佳位置、历史最佳适应度;
(9.2)对种群中的每个个体i,根据该个体历史最佳位置以及群体历史最佳位置,对个体i的速度和位置进行更新,进而对i的个体及种群历史最佳位置及历史最佳适应度进行更新,并对边界速度及边界位置进行处理,处理方式为超出边界的部分赋值为边界值;对个体i的速度和位置的更新按以下公式计算:
其中,vi(k)为种群中第i个个体的当前速度,vi(k-1)为第i个个体的上次更新的速度,r1,r2为0到1之间的随机数,pi为第i个个体历史最佳位置,xi(k)为第i个个体当前位置,xi(k-1)为第i个个体的上次更新的位置,pg为群体的历史最佳位置;
(9.3)计算i在新的位置xi(k)下的目标函数值,即能量传输总损耗fi(k),如果fk小于i的个体历史最佳位置pi对应的目标函数值,则将个体历史最佳位置更新为xi(k),如果fk小于群体的历史最佳位置pg对应的目标函数值,则将群体历史最佳位置更新为xi(k);
(9.4)令k=k+1,返回步骤(9.2),直到达到最大迭代次数时,种群停止移动,记录种群历史最佳位置,即得到每台设备的下次更换时间,同时计算能量传输的最小损耗。
本发明的优点在于:创新性地综合考虑了能源路由器更换时间,以及每台能源路由器向负荷供能的发电配比两因素,从而能够统一管理分布式发电区域中的能源路由器更换时间,同时使向负荷进行能量传输的总损耗达到最低,获得最大的传输效率。由于能源路由器类型的多样性,以及对能源路由器更换时间管理的灵活性,本发明提出采用启发式的粒子群算法,依靠粒子速度完成搜索,在迭代过程中只有最优的粒子把信息传递给其它粒子,搜索速度快,同时每个粒子记录历史最佳位置,便于快速搜索到最佳位置,即找到全局最优解,使本发明在可以自由调控设备最大更换时间间隔基础上,最小化能量传输的总损耗,提高了发电效率。
附图说明
图1是本发明基于粒子群算法的能源路由器更换时间优化配置方法的流程图;
图2是粒子群算法的流程;
图3是某一地区负荷曲线图;
图4为设备的最大更换时间间隔、最晚更换时间和最早更换时间关系示意图;
图5是设备的剩余能量情况。
具体实施方式
下面结合附图和具体实施例对本发明作进一步描述。以下实例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
本发明提供的一种基于粒子群算法的能源路由器更换时间优化配置方法,如图1、2所示,包括以下步骤:
(1)本实例中以某微电网为例,选取分布式发电区域中10台能源路由器对某一负荷进行供能,能源路由器信息如下表所示,该负荷曲线如图3所示,每千米传输距离的能量损耗率δ=0.005;
设备编号 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 |
功率(kW) | 30 | 50 | 100 | 10 | 10 | 20 | 100 | 100 | 150 | 200 |
剩余使用时长(年) | 2 | 2 | 5 | 1 | 1.5 | 1.5 | 5 | 4 | 5 | 6 |
距离(km) | 10 | 15 | 10 | 5 | 5 | 10 | 20 | 25 | 30 | 40 |
(2)如图4所示,预先设置10台设备最大更换时间间隔Tinterval,则10台设备最早更换时间Tf为:
其中,Tter为10台设备的最晚更换时间,10台设备均需要在[Tf,Tter]时间段内进行更换;
本实施例中,设置该10台设备统一在当前时刻之后第五年至第六年之间进行更换,即最大更换时间间隔为1年,最早更换时间为5年,最晚更换时间为6年;
(3)计算发电配比,考虑能源路由器所需发电量与自身剩余能量占比,以及该能源路由器供能的损耗与负荷大小比值两项因素,选取第一项因素权重α=0.8,则第二项因素权重为0.2;
选取该发电配比作为初始配比值,选取设备更换时间从Tf到Tter之间的随机数作为初始更换时间值,每个初始值维度为10,所有设备的初始配比值和初始更换时间值共同作为种群中的一个个体;初始化种群个数为100,设定最大迭代次数为1000,并设置位置参数限制,速度限制,位置参数限制即为个体中两个变量的取值范围,分别为[0,1]以及[Tf,Tter],速度限制范围设置为[-1,1],同时设定惯性权重w=0.8,自我学习因子c1=0.5,群体学习因子c2=0.5;
(4)确定约束条件如下:
对每台设备j,应满足以下条件:
其中,Pj(t)为设备j的输出功率,Pj(t)max为设备j的最大输出功率,通常为额定功率,Pj(t)min为设备j的最小输出功率;
(5)进行连续时间的计算,在某台设备的剩余能量达到最小剩余能量阈值时,对此设备进行更换,该阈值设置为500kWh。在10台设备全部达到最小剩余能量阈值时,全部设备均达到更换时间,统计每台设备的使用时长,同时计算目标函数值,即能量传输的总损耗:
(6)对种群中的每个个体i,根据其个体历史最佳位置以及群体历史最佳位置对i的速度和位置进行更新,更新按以下公式计算:
当速度与位置值超出设置的边界值时赋值为边界值,在进行边界处理后计算i在新的位置xi(k)下的目标函数值,即能量传输总损耗fi(k),如果fk小于i的个体历史最佳位置pi对应的目标函数值,则将个体历史最佳位置更新为xi(k),如果fk小于群体的历史最佳位置pg对应的目标函数值,则将群体历史最佳位置更新为xi(k);
(7)令k=k+1,重复步骤(6),在达到最大迭代次数后,步入步骤(8);
(8)粒子停止移动,得到群体历史最优值,即为能量传输最小损耗,并得到每台设备的下次更换时间。
图5为该10台设备的前五年的剩余能量,在第五年之后开始出现能量耗尽需要更换设备的情况,10台设备的更换时间如下表所示;
设备编号 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 |
使用时长(月) | 66 | 68 | 68 | 60 | 61 | 65 | 68 | 69 | 70 | 70 |
即10台设备均能够在第五年至第六年的时间区间内进行更换。前五年的能量传输总损耗为110190kWh。
以上所述仅为本发明的较佳实施举例,并不用于限制本发明,凡在本发明精神和原则之内,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 (2)
1.一种基于粒子群算法的能源路由器更换时间优化配置方法,其特征在于,包括以下步骤:
(1)获取能源互联网分布式发电区域中多种类型的能源路由器的剩余能量E(t),表示为:
其中,Ej(t)为设备j在时刻t的剩余能量,m为分布式发电区域待统一管理的总设备数;将m台设备的使用时长,即下次更换时间Tchange记为:
其中,为设备j下次更换时间;
预先设置m台设备的最大更换时间间隔Tinterval,则m台设备的最早更换时间Tf为:
其中,Tter为m台设备的最晚更换时间,m台设备均需要在[Tf,Tter]时间段内进行更换;
(2)获取能源互联网负荷端多个负荷的需求供电量L(t),表示为:
L(t)=[L1(t),L2(t),...,Ln(t)]
其中,Li(t)为负荷i在时刻t所需电量,n为负荷端的负荷总数;
(3)每台能源路由器向负荷供电时具有不同的能量传输距离,对应不同的能量线损率,该分布式发电区域的能量线损率Hloss表示为:
其中,Dji为设备j与负荷i的能量传输距离,δ为单位传输距离的能量损耗率;
(4)当时刻t每台能源路由器单独向负荷供电时,所需发电量Ep(t)为:
每台能源路由器所需发电量与自身剩余能量占比K为:
(5)在选取能源路由器向负荷供电时,综合考虑每台能源路由器发电配比与实际使用时长两方面,其中发电配比需考虑该能源路由器所需发电量与自身剩余能量占比,以及该能源路由器供能的损耗与负荷大小比值两项因素;
在t时刻对于某负荷i,首先考虑发电配比R(t,i)为:
其中α为预先设置的第一项因素权重,则1-α为第二项因素权重;
其次根据设备的实际使用时长对发电配比进行相应的调整,得到每台设备对负荷i的实际供能权重W(t,i),表示为:
(6)对于每个负荷,以每台能源路由器实际供能权重按反比例对其进行供能,即权重值越大,供能占比越小;能源路由器的实际供能Er(t)为:
其中Erji(t)表示设备j在t时刻对负荷i的实际供能;
(7)经过供能分配之后,得到每台设备剩余能量E(t+1)为:
当某台设备j的剩余能量达到需要进行更换的最小剩余能量阈值,则需要对该台设备进行更换,获得该台设备的下次更换时间
(8)将m台设备对n个负荷进行供能的总损耗作为目标函数,表示为:
约束条件为:
对每台设备j,应满足以下条件:
其中,Pj(t)为设备j的输出功率,Pj(t)max为设备j的最大输出功率,通常为额定功率,Pj(t)min为设备j的最小输出功率;
(9)采用启发式的粒子群算法求解目标函数,使能源路由器更换时间在预先设置的更换时间段内,能量传输总损耗达到最小;目标函数的求解过程具体如下:
(9.1)对每台设备j选取其计算得出的发电配比作为初始配比值,选取设备更换时间从Tf到Tter之间的随机数作为初始更换时间值,所有设备的初始配比值和初始更换时间值共同作为种群中的一个个体;初始化种群个体数量、最大迭代次数并设置位置参数限制、速度限制、惯性权重w、自我学习因子c1、群体学习因子c2;初始化种群位置x(1)为随机位置、种群速度v(1)为随机速度、每个个体及种群的历史最佳位置、历史最佳适应度;
(9.2)对种群中的每个个体i,根据该个体历史最佳位置以及群体历史最佳位置,对个体i的速度和位置进行更新,进而对i的个体及种群历史最佳位置及历史最佳适应度进行更新,并对边界速度及边界位置进行处理,处理方式为超出边界的部分赋值为边界值;对个体i的速度和位置的更新按以下公式计算:
其中,vi(k)为种群中第i个个体的当前速度,vi(k-1)为第i个个体的上次更新的速度,r1,r2为0到1之间的随机数,pi为第i个个体历史最佳位置,xi(k)为第i个个体当前位置,xi(k-1)为第i个个体的上次更新的位置,pg为群体的历史最佳位置;
(9.3)计算i在新的位置xi(k)下的目标函数值,即能量传输总损耗fi(k),如果fk小于i的个体历史最佳位置pi对应的目标函数值,则将个体历史最佳位置更新为xi(k),如果fk小于群体的历史最佳位置pg对应的目标函数值,则将群体历史最佳位置更新为xi(k);
(9.4)令k=k+1,返回步骤(9.2),直到达到最大迭代次数时,种群停止移动,记录种群历史最佳位置,即得到每台设备的下次更换时间,同时计算能量传输的最小损耗。
2.根据权利要求1所述的一种基于粒子群算法的能源路由器更换时间优化配置方法,其特征在于,所述能源路由器包括电力变压器、微型燃气轮机、光伏发电装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811331387.3A CN109217381B (zh) | 2018-11-09 | 2018-11-09 | 一种基于粒子群算法的能源路由器更换时间优化配置方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811331387.3A CN109217381B (zh) | 2018-11-09 | 2018-11-09 | 一种基于粒子群算法的能源路由器更换时间优化配置方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109217381A true CN109217381A (zh) | 2019-01-15 |
CN109217381B CN109217381B (zh) | 2020-05-19 |
Family
ID=64994977
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811331387.3A Active CN109217381B (zh) | 2018-11-09 | 2018-11-09 | 一种基于粒子群算法的能源路由器更换时间优化配置方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109217381B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105430706A (zh) * | 2015-11-03 | 2016-03-23 | 国网江西省电力科学研究院 | 一种基于改进粒子群算法的无线传感网络路由优化方法 |
CN107251380A (zh) * | 2014-09-12 | 2017-10-13 | 圣-奥古斯丁加拿大电气公司 | 能量存储管理*** |
CN107784382A (zh) * | 2016-08-31 | 2018-03-09 | 北京南瑞电研华源电力技术有限公司 | 基于能源路由器的用户侧能源互联网规划方法 |
CN108206543A (zh) * | 2018-02-05 | 2018-06-26 | 东北大学 | 一种基于能源梯级利用的能源路由器及其运行优化方法 |
-
2018
- 2018-11-09 CN CN201811331387.3A patent/CN109217381B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107251380A (zh) * | 2014-09-12 | 2017-10-13 | 圣-奥古斯丁加拿大电气公司 | 能量存储管理*** |
CN105430706A (zh) * | 2015-11-03 | 2016-03-23 | 国网江西省电力科学研究院 | 一种基于改进粒子群算法的无线传感网络路由优化方法 |
CN107784382A (zh) * | 2016-08-31 | 2018-03-09 | 北京南瑞电研华源电力技术有限公司 | 基于能源路由器的用户侧能源互联网规划方法 |
CN108206543A (zh) * | 2018-02-05 | 2018-06-26 | 东北大学 | 一种基于能源梯级利用的能源路由器及其运行优化方法 |
Non-Patent Citations (3)
Title |
---|
VENKATESH SHANKAR 等: "Energy Utilization and Security Enhancement using Particle Swam Optimization (PSO)", 《2017 IEEE INTERNATIONAL CONFERENCE ON POWER, CONTROL, SIGNALS AND INSTRUMENTATION ENGINEERING (ICPCSI)》 * |
杨凤霞: "云计算环境下的智能电网光通信网路路由算法", 《自动化与仪器仪表》 * |
郭慧 等: "基于能量路由器的智能型分布式能源网络技术", 《中国电机工程学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN109217381B (zh) | 2020-05-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108694467B (zh) | 一种对配电网线损率进行预测的方法及*** | |
Sobu et al. | Optimal operation planning method for isolated micro grid considering uncertainties of renewable power generations and load demand | |
Mohammadi et al. | Stochastic scenario-based model and investigating size of battery energy storage and thermal energy storage for micro-grid | |
Mo et al. | Short-term hydro generation scheduling of Three Gorges–Gezhouba cascaded hydropower plants using hybrid MACS-ADE approach | |
CN107681654B (zh) | 考虑新能源消纳和环境效益的多目标电网规划方法和装置 | |
Gupta et al. | Optimal location identification for aggregated charging of electric vehicles in solar photovoltaic powered microgrids with reduced distribution losses | |
CN103617455A (zh) | 基于虚拟机组子群的网厂两级负荷优化调度方法 | |
CN116402210A (zh) | 一种综合能源***多目标优化方法、***、设备和介质 | |
Abedinia et al. | A new stochastic search algorithm bundled honeybee mating for solving optimization problems | |
Akkaş et al. | New Optimization Algorithms for Application to Environmental Economic Load Dispatch in Power Systems | |
CN109449994A (zh) | 一种含柔性互联装置的主动配电网的功率调控方法 | |
CN109245096A (zh) | 一种主动配电网最大供电能力计算方法 | |
CN110190615A (zh) | 一种微网储能***控制策略优化方法 | |
CN111768036A (zh) | 一种综合能源配电***与上级电网交互运行的功率优化方法 | |
CN109217381A (zh) | 一种基于粒子群算法的能源路由器更换时间优化配置方法 | |
Ramli et al. | A non-convex economic dispatch problem with point-valve effect using a wind-driven optimisation approach | |
CN116799807A (zh) | 含分布式电源配电网规划方法 | |
CN116362504A (zh) | 电热联合能源***优化调度方法、终端设备及存储介质 | |
Gharegozi et al. | A new approach for solving the unit commitment problem by cuckoo search algorithm | |
CN112952814B (zh) | 一种考虑城镇生长特性的区域能源互联网演化模拟方法 | |
CN109447431A (zh) | 一种基于粒子群算法的城市能源互联网下的配电网规划方法 | |
Abdullah et al. | Optimal power generation in microgrid system using firefly algorithm | |
CN109191026A (zh) | 一种基于模拟退火算法的能量转换装置寿命统一管理方法 | |
Zakka et al. | Optimal capacitor placement using fuzzy and artificial bee colony algorithm for maximum loss reduction | |
Afzalan et al. | Placement and sizing of DG using PSO&HBMO algorithms in radial distribution networks |
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 |