排序方式: 共有57条查询结果,搜索用时 0 毫秒
1.
高比例新能源电网中,功率与频率变化存在很强的非线性,自动发电控制(AGC)作为电网调节频率的主要控制手段,目前的控制方式无法很好地适应强非线性特性电网的调频需求。鉴于此,提出了基于极限学习机(ELM)预测模型的高比例新能源电网改进频率控制策略。其特点在于通过ELM算法和历史运行数据,建立电网功率变化与频率变化的实时频率预测模型,进一步基于预测模型分析AGC调节机组的调频能力,按照调频能力优化AGC的区域功率控制需求功率分配。其优势在于通过机器学习拟合频率非线性调节规律,优化AGC频率控制,提高系统频率调节的快速性和可靠性,从而提高含新能源电网稳定性。最后通过电网SCADA实际数据建立预测模型并验证其准确性和实时性,并通过应用实例证明所提策略可以实现快速稳定调频。 相似文献
2.
基于蚁群最优的配电网络重构算法 总被引:23,自引:3,他引:23
配电网络重构是一个非常复杂的大规模组合优化问题。本文提出了一种新颖的基于蚁群最优的算法来求解正常运行条件下的配电网络重构问题,以达到损失最小,蚁群最优算法法(Ant Colony Optimization,简称ACO算法)是一种新型通用内启发式算法。在求解组合最优问题上,ACO算法已被证明是非常有效的。ACO算法本质上是一个多代理系统,在这个系统中单个代理之间的交互导致了整个蚁群的复杂行为。这种方法的主要特征是正反馈,分布式计算以及富有建设性的贪婪启发式搜索的运用,为了证明本文提出的算法的可行性和有效笥,我们研究了两个算例系统,并给出了计算结果,结论表明,本文提出的算法是相当有希望的。 相似文献
3.
基于Tabu搜索的配电网络重构算法 总被引:37,自引:8,他引:37
配电网络重构是一个非常复杂的、大规模的组合优化问题。该文提出了一种非常有效的、鲁棒性很好的算法来求解正常运行条件下配电网络的重构问题,以减少网络中的能量损失费用。该算法基于Tabu搜索方法(TS)。作为现代启发式方法家族中的重要一员,Tabu搜索方法是近几年来发展起来的用于求解组合最优问题的一种通用算法。文中详细阐述了用于配电网络重构问题时Tabu搜索方法中各成员的设计。为了证明该文方法的可行性和有效性,还研究了3个不同规模的IEEE测试网络的重构问题。结果表明,该文提出的方法是一种非常有效的方法。 相似文献
4.
基于蚁群最优的配电网规划方法 总被引:14,自引:10,他引:14
详细探讨了现代启发式方法家族中新兴成员蚁群最优(Ant Colony Optimization, ACO)在配电网络扩展规划中的应用。蚁群最优是一种通用的内启发式(meta-Heuristic)算法,能够有效地求解大规模组合优化问题。文中给出了同时考虑配电网络扩展的固定费用和与电能损失相关的可变费用的配电网络规划的非线性混合整数规划模型,探讨了基于ACO的配电网络规划方法,并用该方法对一具有6个变电所、102条馈线的配电网络进行了测试。结果表明,文中所提方法是可行的、有效的。 相似文献
5.
6.
蒙特卡洛法需使用大量电网抽样数据,花费的风险评估时间长,提出一种改进蒙特卡洛法实现高效智能电网实时运行风险评估。从多方面考虑,构建智能电网风险评价指标体系,明确蒙特卡洛法存在抽样次数多及方差系数大的问题;将交叉熵重要抽样法与分散抽样法相结合,构建近似函数,令原本电网中微小概率事件转换为大概率事件,减少算法抽样次数和方差系数,提高算法的计算效率。实验表明,所提方法能够有效识别正常状态下及元件失效条件下的电网实时运行风险,并通过失效线路负荷转移的方式有效降低了智能电网实时运行风险。 相似文献
8.
基于禁忌搜索与蚁群最优结合算法的配电网规划 总被引:19,自引:5,他引:14
禁忌搜索(TS)算法具有强大的全局优化性能,但其局部搜索性能易受分散性的影响;蚁群最优(ACO)算法的正反馈机制使其具有强大的局部搜索性能,但其全局优化性能的优劣在很大程度上与蒸发系数的选择有关,如选择得不合适易使算法陷于局部最优.文章将TS算法与ACO算法组合起来,提出了TS-ACO混合算法,用于求解配电网规划问题,在同时考虑扩展配电网所需的固定费用和与电能损失相关的变化费用的基础上,设计了非线性混合整数配电网规划数学模型,在一具有6个变电所、102条馈线段的配电网上进行的测试结果表明了TS-ACO混合算法的有效性. 相似文献
9.
应用模型拼接建立的全电网模型 总被引:1,自引:0,他引:1
为提高电网分析的准确性,调度中心采用的电网模型应从外网等值模型逐步过渡到全电网模型。通过BPA(bonneville power administration)电网模型与能量管理系统电网模型进行模型拼接可生成全电网模型,分析了模型拼接的难点、步骤。算例结果表明应用全电网模型进行电网分析可提高计算精度。 相似文献
10.