一种用于微电网经济调度的分布式粒子群算法

随着微电网技术在电力系统中的应用愈加广泛,协调微电网内部分布式电源的出力分配以提高经济性成为了研究的重要课题。目前主流的经济调度方法是微电网调度中心利用全网微电源及负荷的信息进行调度,但这种集中式的方法依赖调度中心的计算能力,对微电源与调度中心之间通信要求较高,且与微电网的分布式特性相违背。提出一种完全分布式的并行调度方法,各分布式电源作为独立的智能体,平等地参与调度工作,利用自身与邻居节点之间的势能博弈,基于粒子群算法优化自身的出力,进而实现全网经济性最优的目标。在MATLAB平台上搭建了独立微电网优化调度模型,验证了所提出方法的可行性,并讨论了相关参数的变化对于调度结果的影响。     

基于改进粒子群算法的多目标分布式电源选址定容规划

通过分析分布式电源对配电网的影响,以有功功率损耗、电压质量及分布式电源总容量为优化目标,基于模糊理论建立了分布式电源在配电网中选址定容的多目标优化模型,并提出了一种改进粒子群算法进行求解。在算例仿真中,基于IEEE 14标准节点系统,采用MATLAB仿真工具对所提算法进行了测试,证实了所提算法全局搜索能力较强、收敛速度较快,并通过比较分析验证了该模型和算法的可行性及有效性。     

基于典型气象年和制氧可时移负荷的独立微电网容量优化配置

微电网电源容量的优化配置是微电网规划和建设初期的关键步骤。这需要根据建设地点的气象数据、地理位置和负荷需求,在满足经济性和可靠性的前提下,合理地配置微电网的电源容量。本文以高原地区的某独立微电网为研究对象,提出了一种基于典型气象年和制氧可时移负荷的独立微电网电源容量配置优化方法。算法综合考虑了可再生能源装机容量比、供电可靠性和供氧可靠性等多种约束条件,以微电网全寿命周期内年平均成本最小为目标函数,并采用遗传算法求解这个优化配置模型。本文对不同方案下的配置结果进行了分析,验证了所提方法的可行性。该研究为独立微电网的规划和建设提供了参考,有助于实现能源的高效利用和经济性,同时也提高了供电和供氧的可靠性。     

基于CCP和多智能体优化算法的微电网经济运行

随着社会的发展,电力系统正在从传统的集中式结构网络向分布式结构的智能电网转变。分布式电源(DG)并网对于分布式结构的微电网调度尤其重要。为了使微电网在安全可靠供电的同时经济运行,采用机会约束规则(CCP)和DG多智能体一致性原则,建立了微网经济优化模型。考虑到风电、光伏发电系统存在很强的随机性,在求解时采用随机模拟技术。选择一个主DG来控制增量成本,并将DG增量成本作为一致性变量;采用基于随机模拟技术的粒子群算法(PSO),求解包含随机变量的规划问题。对微网5个光伏DG的仿真验证结果表明:在不同负荷下,采用该模型进行优化计算,达到增量成本一致的效果,符合供需平衡。仿真结果验证了该模型能够满足微网经济运行的需求。     

基于混合算法的含分布式电源的配电网优化

考虑到分布式电源的选址与定容对配电网有着重要影响意义,针对分布式电源的接入对配电网系统能量损耗和各节点电压影响的问题,首先建立了以有功功率损耗和系统节点电压的目标函数优化模型,提出了充分整合引力搜索算法(GSA)的勘探能力和粒子群(PSO)的开采能力的混合算法(PSOG-SA),同时确定权重系数,最后采用IEEE-33标准节点配电网模型进行了仿真实验,通过和其他两种算法的比较,验证了配电网系统在该算法下的有效性和可靠性.算例分析表明,合理的DG接入能够一定程度上降低系统有功功率损耗,改善节点电压.     

并网模式微电网双层分布式优化调度算法

为解决负荷预测、风力发电和光伏发电预测出力值与其实时数据间的误差所导致的微电网不能安全稳定运行的问题,提出了一种双层优化算法。本算法包含基于集中优化方式进行的预测调度和基于分布式优化算法的实时优化。两层均采用粒子群智能优化算法对模型进行求解。该算法基于图论思想,按照拓扑图遍历顺序进行遍历式的分布式优化,将计算任务分配至微电网中每个参与调度的节点。     

基于改进萤火虫算法的分布式电源的选址和定容

针对分布式电源的选址定容问题,提出了基于自适应遗传机制的萤火虫算法。首先,设计了以各节点电压、可接入最大功率及线路电流作为约束条件,以配电网网损最小作为目标的配电网优化模型,其次,改进了遗传算法中交叉、变异算子公式,并提出了改进的高斯扰动方法,将两者应用到萤火虫算法中,提高了萤火虫算法全局寻优能力和收敛速度。最后,借助于MATLAB软件,以IEEE33节点系统为例进行了测试,仿真结果与自适应遗传算法进行了比较,证明了本方法的有效性和优越性。     

基于分布式深度强化学习的微电网实时优化调度

随着海量新能源接入到微电网中, 微电网系统模型的参数空间成倍增长, 其能量优化调度的计算难度不断上升. 同时, 新能源电源出力的不确定性也给微电网的优化调度带来巨大挑战. 针对上述问题, 本文提出了一种基于分布式深度强化学习的微电网实时优化调度策略. 首先, 在分布式的架构下, 将主电网和每个分布式电源看作独立智能体. 其次, 各智能体拥有一个本地学习模型, 并根据本地数据分别建立状态和动作空间, 设计一个包含发电成本、交易电价、电源使用寿命等多目标优化的奖励函数及其约束条件. 最后, 各智能体通过与环境交互来寻求本地最优策略, 同时智能体之间相互学习价值网络参数, 优化本地动作选择, 最终实现最小化微电网系统运行成本的目标. 仿真结果表明, 与深度确定性策略梯度算法(Deep Deterministic Policy Gradient, DDPG)相比, 本方法在保证系统稳定以及求解精度的前提下, 训练速度提高了17.6%, 成本函数值降低了67%, 实现了微电网实时优化调度.     

基于Zbus矩阵的梯度法配电网分布式电源最优选址定容

为解决分布式电源(Distributed Generation,DG)不恰当地接入配电网导致的电能质量问题,提出一种利用梯度方法进行分布式电源选址定容的方法。首先,将基于单相Zbus矩阵的总网损及其偏导公式推广应用到三相配电网系统中。其次,以IEEE 33节点系统为例,通过分析有功网损函数的单调性与凸性,以有功网损最小化为目标函数,构建梯度算法求解配电网分布式电源最优选址定容问题。仿真结果表明,利用所提方法可以获得更优的结果。     

基于量子行为粒子群算法的微电网优化配置

关于微电网的优化配置问题,是在功率平衡等一系列约束的前提下,以投资成本、环境因素等为目标,优化配置微电网中各微电源的数量.微电网的优化配置是一个动态多维非线性优化问题,传统的优化算法收敛速度慢,容易陷入局部最优,而量子行为粒子群算法以其搜索能力强、收敛速度快和解的精度高等特点,可以很好的求解微电网的优化配置问题.以某地的气象和负荷数据为例,在满足用户的冷热电负荷需求前提下,求解微电网的配置.结果表明,采用量子行为粒子群算法,可以得到各微电源容量的最佳配比方案.