基因编辑差分算法在多燃料经济调度中的应用

计及阀点效应的多燃料经济调度是电力系统运行控制中典型的高维、非凸、非线性及不可微的优化问题。针对现有技术在解决该问题时容易陷入局部最优值,收敛精度不高和计算效率较低等缺陷,提出一种基因编辑差分算法。该算法在标准差分算法的基础上,通过融入基因编辑操作提高标准差分算法在解决该问题时的计算效率与求解精度。并将该算法分别应用于10机组和40机组的多燃料电力系统的算例进行仿真分析。此外,将仿真结果与多种算法优化结果进行对比,结果表明所提标准差分算法通过融合基因编辑操作不仅能大幅度降低搜索空间,而且有效缓解了算法的过早熟现象,同时能在相对合理的计算时间内取得更优的解。     

基于小波包分解和改进差分算法的神经网络短期风速预测方法

风速预测在风电场的智能管理和安全并网中起着至关重要的作用,针对风速预测固有的波动性、间歇性和非线性等特点,以及常规BP神经网络和差分算法神经网络均存在容易陷入局部最优导致收敛过早、泛化能力不足等缺陷,提出一种综合WPD和IDE算法的短期风速预测神经网络方法。该方法首先利用WPD将风速的时间序列分解成多种不同频率的子序列,然后采用IDE算法优化后的神经网络对小波包分解后的每个不同频率的子序列进行单步预测,最后将预测后的各个子序列进行叠加,得出最终预测结果。为验证所提方法的有效性,将其分别与采用混合小波分解的BP神经网络风速预测方法和混合小波分解的差分算法风速预测神经网络方法进行对比,对某地区的实际风速数据进行实验仿真,结果表明,所提方法的预测精度明显优于其他算法。     

计及风电不确定性的区域互联动态经济优化调度方法

结合含风电场的区域互联电力系统运行特点,考虑风电出力、负荷的不确定性因素以及电力系统安全运行约束,建立计及系统燃料费用、机组运行维护成本、风险成本的区域互联动态经济调度优化模型,并以一种融合拉丁超立方采样、场景缩减法和自学习差分算法的优化方法对所提模型进行求解。该方法根据风电和负荷预测误差采用拉丁超立方采样技术生成大量样本,并对所生成样本结合场景缩减法进行缩减,再由自学习差分算法进行全局寻优,得到各场景所对应的最优调度方案。结果表明:采用该方法既能模拟出风电、负荷的不确定性特点,又能避免建立过于复杂的随机性模型,降低了建模和求解的难度,同时所提自学习差分算法具有良好的收敛特性及鲁棒性。因此,所提优化方法对区域互联电力系统优化调度具有参考价值。     

热电联产经济环保调度优化

为解决复杂的热电联产经济环保调度问题,提出了一种改进的多目标灰狼优化算法。标准灰狼算法只适用于处理单目标优化问题,而改进的算法也适用于多目标优化,并通过融入方向修正操作以修正狼群前进方向,并改善算法的全局搜索能力。其次,结合快速非劣解排序、拥挤距离计算等,在更新狼群位置时,采用"精英保留策略"淘汰弱势狼个体,进一步提高算法的收敛速度,并通过模糊决策理论获得最优折中解。最后,通过对某典型7机组热电联产系统的仿真,验证了所提出方法不仅能够有效地求取热电联产发电计划在经济性与环保性之间的最优折中,同时克服了标准灰狼算法的缺陷,且较其他群智能优化算法在求解质量、收敛性等方面具有明显优势。     

计及不确定性因素的家庭并网风-光-蓄协同经济调度优化方法

考虑风电、光伏出力和负荷等不确定性因素以及实时电价对家庭并网风-光-蓄发电系统优化调度的影响,构建了计及用户售电收益、购电成本、政府补贴、运行维护费用和分布式电源投资建设成本的家庭并网风-光-蓄发电优化调度模型。并提出一种结合拉丁超立方采样、场景缩减法以及自学习差分算法的优化方法对所提模型进行求解。该方法首先根据风、光、荷预测误差概率分布采用拉丁超立方采样方法生成大量样本,并采用场景缩减法对所生成的样本进行缩减。其次,针对标准差分算法在迭代后期所可能出现的"聚集"现象导致容易陷入局部最优的问题,提出一种融合自学习选择操作和纵向交叉操作的自学习差分算法,对所提模型进行全局寻优,得到各场景对应的最佳决策方案。最后,结合典型算例进行仿真研究,结果表明所提模型和方法具有较强的可行性和有效性。     

基于二次自适应支持向量机的光伏输出功率预测

针对传统相似度函数在聚类过程中所存在的问题,提出改进灰色-欧氏距离相似度函数,并将历史样本日模糊聚类分为若干类。另外,考虑到光伏输出数据的复杂性,该文结合小波分解(WD)和集成经验模态分解(EEMD)的各自优势,对光伏数据作双分解处理,得到趋势分量与细节分量,然后采用二次自适应支持向量机模型分别进行光伏功率预测。最后,采用美国俄勒冈州某处光伏发电场的实测数据实验,验证模型的实用性和可行性。