含风电及电动汽车的多目标电力系统调度

为应对风电的迅速发展及电动汽车的规模化应用给电力系统调度带来的新挑战,在风电的威布尔随机描述及电动汽车分层调度策略的基础上,以污染排放最低及燃料费用最小为优化目标,构建含风电及电动汽车的电力系统多目标动态环境经济调度模型。该模型综合考虑系统功率平衡、系统网损、旋转备用、车主出行需求、电池特性等约束以及车网能量互动行为。同时,提出改进的基于非支配排序的多目标差分进化求解算法,并针对模型特点以及多重约束条件,提出决策变量行列转换方法和基于动态调整的约束处理策略。最后,以6机组系统并结合4种场景进行研究,通过对新能源接入的动态调度管理,验证所提模型的合理性及算法的正确性。     

基于Prophet算法和Blending集成学习的实时负荷中期预测

目前的中期负荷预测一般未考虑负荷实时状态,而负荷数据的非线性、季节性、随机性、时序性特征将影响实时负荷的中期预测。构建一个实时负荷中期预测的框架,采用Prophet算法提取负荷数据的季节性部分,采用Blending集成学习对负荷数据的非季节部分进行滚动预测,将季节性部分和非季节性部分合成中期负荷实时数据。爱尔兰电力系统的算例结果验证了模型的有效性和稳定性。     

基于多模态优化问题的粒子群算法研究

多模态优化问题包含多个全局最优解或局部最优解,求解多模态优化问题难度较高。为了更有效地求解多模态优化问题,提出用粒子群算法求解多模态问题。研究了星型拓扑结构及环型拓扑结构的算法模型,并引入线性递减惯性权重对两种粒子群算法进行改进,让粒子群算法的惯性权重从一个较大的数值线性递减到一个较小的数值,从而提高种群搜索的多样性和精度。用15个复杂的多模态测试函数对两种粒子群算法进行仿真实验,实验结果表明,引入线性递减惯性权重的环型拓扑结构粒子群算法的搜索能力明显更强,更适用于多模态优化问题的求解。