排序方式: 共有19条查询结果,搜索用时 15 毫秒
1.
吴成辉林声宏夏成军管霖 《电网技术》2020,(2):530-538
微电网群由多个微电网互联构成并以集群的形式运行,能够实现微电网间的能量互补,显著提高可再生能源消纳能力和系统运行可靠性。结合同步型交替方向乘子法(alternating direction method of multipliers,ADMM)和模型预测控制(model predictive control,MPC),提出了一种微电网群分布式优化调度策略。采用同步型ADMM求解MPC中的优化问题,每个子微电网同步计算本地的子问题,同时引入有限时间一致性算法传递迭代计算过程所需的期望交换功率信息,实现完全分布式计算。算例计算结果表明,基于MPC的优化调度策略能够有效降低系统运行成本,分布式优化算法具有良好的收敛性,并且计算结果与集中式算法一致;该方法在通信拓扑发生改变的情况下依然有效,具有较高的可靠性。 相似文献
2.
3.
4.
5.
长期电压稳定准稳态仿真算法比较 总被引:1,自引:1,他引:0
详细论述了准稳态(quasi steady state,QSS)仿真和基于参数连续化技术的准稳态(continuation based quasi steady state,CQSS)仿真方法的基本思想。以3机10节点和新英格兰10机39节点系统为例,根据长期动态过程仿真结果对2种方法进行了比较分析,论证了在QSS仿真中引入负荷参数连续化思想的可行性,避免了求解描述动态负荷恢复过程的微分方程,缩短了计算时间;同时通过先预测后修正的方法提高了QSS仿真的收敛速度,即使系统运行点接近奇异诱导分歧点,通过选择适当的连续化参数仍能保持良好的收敛性。此外CQSS的仿真精度受发电机过励磁和电枢电流限制的影响。 相似文献
6.
针对微电网的随机优化调度问题,提出了一种基于深度强化学习的微电网在线优化算法。利用深度神经网络近似状态-动作值函数,把蓄电池的动作离散化作为神经网络输出,然后利用非线性规划求解剩余决策变量并计算立即回报,通过Q学习算法,获取最优策略。为使得神经网络适应风光负荷的随机性,根据风电、光伏和负荷功率预测曲线及其预测误差,利用蒙特卡洛抽样生成多组训练曲线来训练神经网络;训练完成后,保存权重,根据微电网实时输入状态,神经网络能实时输出蓄电池的动作,实现微电网的在线优化调度。在风电、光伏和负荷功率发生波动的情况下与日前优化结果进行对比,验证了该算法相比于日前优化在微电网在线优化中的有效性和优越性。 相似文献
7.
8.
9.
10.