基于灰色PSO算法的分布式电网多目标调峰调度优化

针对目前新能源大规模并网,传统的调峰调度运行方式不能满足新能源出力消纳要求的问题,提出一种用户侧主动参与调峰调度的方案.将可调度分布式电源、储能单元和可中断负荷纳入分布式电网系统管理中,引入虚拟电厂的概念对可控负荷以及分布式电源进行控制,以负荷方差最小以及运行成本最小为目标,建立多目标调峰调度模型,并用改进灰色PSO算法对调峰调度模型进行优化求解.以IEEE33节点配电系统为算例进行仿真,结果表明该方法能够有效提高系统调峰能力、增加新能源消纳和降低运行成本.     

分布式发电集群去中心化电压优化控制

为解决配电网中对分布式电源的集中控制模式的控制维度高、通信难度大、复杂程度深的问题,该文引入分布式发电集群概念。以分布式电源为研究对象,基于改进电气距离进行聚类整合,划分集群,确定集群关键中枢点。提出一种面向多集群的去中心化电压优化控制方法。基于分布式一致性算法,以集群经济优化为目标,采用集群间和集群内双重控制,实现了配电网中多个分布式发电集群间的电压协调控制。在MATLAB/Simulink中进行了算例仿真,证明了集群划分、去中心化优化控制在负荷突变、分布式电源即插即用2个场景下将所有中枢点电压稳定在高于额定电压2%～5%范围内。     

考虑主动管理模式的多目标分布式电源规划

在考虑主动管理模式条件下,建立了多目标双层分布式电源规划模型.其中,上层规划以分布式电源年投资运行成本和网损最小为目标,下层规划以分布式电源出力切除量最小为目标,考虑风电光伏等间歇式能源出力的随机性及负荷的不确定性,利用基于拉丁超立方抽样的蒙特卡洛模拟方法对风速、光照强度和负荷进行抽样,利用非支配排序遗传算法对上层规划模型进行求解,采用原对偶内点法对下层规划模型进行求解,以得到问题的Pareto最优解集,从而避免了传统加权求解方法中权重确定的主观性.同时,通过对33节点配电网算例的仿真和分析,验证了所建模型的合理性和算法的有效性.     

兼顾不确定性和时序特性的主动配电网分布式电源与需求响应优化配置

传统分布式电源优化配置多采用服从固定分布参数的分布式电源随机出力模型,并未考虑分布参数的时序差异性。本研究基于实测数据分别依季节和小时拟合得到不同时段下风速和光照强度的分布参数,从而建立风机和光伏出力不确定时序模型,并基于价格弹性理论建立需求响应负荷不确定时序模型,最终建立以分布式电源和智能电表的安装位置、容量或数量为优化变量,以设备投资成本、售电利润、网损成本和排放成本为目标的主动配电网协调配置模型,采用基于蒙特卡罗随机潮流的遗传算法优化求解。IEEE33系统多场景对比仿真结果表明,考虑分布式电源和需求响应不确定时序特性的协调配置能科学有效地提高主动配电网规划的经济性和环保性,协调发挥分布式电源和需求响应各自优势,适应低碳主动配电网的发展需求。     

基于风-光-储联合优化的最优潮流

针对分布式能源发电的间歇性和不确定性,提出了风、光互补发电和储能实时在线优化结合的方法。以风、光日前预测发电与实时发电误差最小、储能出力最少为目标,建立风-光-储联合优化模型;使用改进PSO算法对风、光出力进行实时优化,优化后的分布式发电可以有效降低分布式电源带来的日前调度偏差。储能优化后的风、光出力在进行潮流计算时可直接处理为负荷模型,因此可以有效降低分布式能源建模的复杂度。最后,以IEEE30节点系统为例,以发电机发电费用最低为目标函数,将风-光-储联合出力等效为单个节点,利用遗传算法对最优潮流模型进行求解,验证了本文方法的正确性和有效性。     

电动汽车负荷聚类及参与电网一次调频控制策略

为解决风力发电、光伏发电等分布式电源出力波动和大规模负荷入网造成的频率波动问题,电动汽车在(The electric car)热备用条件下基于V2G技术,以电动汽车作为调频手段,研究电动汽车负荷聚类参与电网一次调频控制策略。根据电动汽车快速响应性能对电动汽车负荷聚类,采用聚类算法将电动汽车负荷分组对不同调频容量分配。当系统频率发生变化时,以实现电动汽车参与电网一次调频响应。仿真结果表明：当电网频率波动时,电动汽车参与电网一次调频,使得电网频率能够很快向稳定状态恢复。本文所提电动汽车负荷聚类参与调频控制策略是有效的。     

考虑重构和分布式电源无功特性的主动配电网多目标日前调度

主动配电网的优化调度方案是配电网经济运行的核心,本文提出一种考虑配电网拓扑重构和分布式电源无功特性的主动配电网日前调度方案,建立配电网经济运行成本最小和系统网络损耗最小的多目标优化模型.该方案在资源优化配置时,考虑拓扑结构的改变对资源调度结果的影响,并且充分利用分布式电源的无功特性,尤其是常被忽视的风机和光伏的无功支持能力.通过该优化调度方案可确定配电网一天内各时段分布式电源的最优有功和无功出力、可中断负荷的参与量以及对应的各时段最优拓扑结构.该优化模型为非线性优化问题,采用万有引力搜索算法进行求解,最后通过修改的PG&E－69节点系统进行仿真验证.     

基于ACPSO算法的含分布式电源配电网无功优化

文章研究了含分布式电源的配电网络无功优化问题,基于无功裕度值探讨了无功补偿装置的接入位置,建立了含分布式电源配电网络多目标无功优化模型;运用自适应混沌粒子群算法(ACPSO)进行求解,在初始化计算过程中引入混沌系统,增加粒子种群的多样性,在迭代过程中引入惯性权重线性递减法和变学习因子法,以得到更精确的全局最优解;通过含分布式电源的IEEE 33节点系统的计算,验证了所提模型和算法的正确性。研究表明对含分布式电源的配电网络进行无功优化能够达到降低成本、网损和提高电能质量的目的。     

基于粒子群算法的微电网动态经济调度

微电网的动态经济调度不仅要考虑一个调度周期内经济费用最低,还需考虑多时段设备运行之间的协调配合,使其更加符合系统的实际运行要求.建立了含有风力发电机、光伏阵列、柴油机及燃料电池等多种分布式电源且能够实现热电联产的微电网系统,研究了当微电网系统处于并网运行状态时,以微电网的运行费用和污染物处理费用的综合效益最大(总费用最低)作为目标函数,并计及可再生能源波动、负荷预测误差以及机组故障停运等不确定性因素影响的动态经济调度模型,模型采用改进的粒子群算法进行求解.通过算例讨论了微电网并网运行情况下不同的控制策略、优化目标及可靠性指标对动态经济调度的影响,为结合可再生能源的微电网动态经济调度以及提升微电网并网运行的可靠性研究提供了一种参考.     

考虑不确定性和储能系统的虚拟电厂与能效电厂联合调度优化模型及仿真应用

为解决分布式电源难以分配、控制和管理的问题,引入虚拟电厂的基本概念,并考虑用户侧能效电厂参与下的系统发电调度优化问题。首先,构建电源输出功率模型,包括风力发电出力模型、太阳能发电出力模型以及储能系统出力模型;然后,构建虚拟电厂与能效电厂双层优化调度模型,其上层模型以虚拟电厂参与下系统发电成本最小为目标,综合考虑电能供需平衡约束、火电机组出力约束和系统备用约束等;下层模型以能效电厂参与调度获得的收益最大为目标,分析节能效率电厂(ESEPP)和需求响应效率电厂(DREPP)对虚拟电厂运行的优化效应。最后,选取3个风电场、2个太阳能发电站和2台燃气轮机发电机组构成仿真系统,并设定4种仿真情景。研究结果表明:虚拟电厂能够显著提升系统消纳随机性电源的能力,能效电厂能够实现负荷曲线的削峰填谷,基于双层优化调度模型能够发现发电成本最小和获得收益最大的最优调度结果。     

Optimal Active Power Dispatching of Microgrid and Distribution Network Based on Model Predictive Control

First, a three-tier coordinated scheduling system consisting of a distribution network dispatch layer, a microgrid centralized control layer, and local control layer in the energy internet is proposed. The multi-time scale optimal scheduling of the microgrid based on Model Predictive Control(MPC) is then studied, and the optimized genetic algorithm and the microgrid multi-time rolling optimization strategy are used to optimize the datahead scheduling phase and the intra-day optimization phase. Next, based on the three-tier coordinated scheduling architecture, the operation loss model of the distribution network is solved using the improved branch current forward-generation method and the genetic algorithm. The optimal scheduling of the distribution network layer is then completed. Finally, the simulation examples are used to compare and verify the validity of the method.     

基于K-means的最佳聚类数的求解问题研究

针对经典k-means聚类算法的弊端进行一定程度上的改进,提出一种新的基于距离相等函数决定最佳聚类值的改进方法.实验采用两大类标准数据集来测试该算法,并和k-means算法的结果进行了比较,证实了该改进算法的有效性,解决了聚类数目k值的难确定性问题.     

基于密度RPCL的K-means算法

目的探索同时确定K-means算法的最佳聚类数K和最佳初始聚类中心的方法,使K-means算法的聚类结果尽可能地收敛于全局最优解或近似全局最优解。方法以次胜者受罚竞争学习(Rival Penalized Competitive Learning,RPCL)作为K-means的预处理步骤,以其学习结果作为K-means的聚类数和初始聚类中心并依据数据集样本自然分布定义样本密度,将此密度引入RPCL的节点权值调整,以此密度RPCL的输出作为K-means的最佳聚类数K和最佳初始聚类中心。采用UCI机器学习数据库数据集以及随机生成的带有噪音点的人工模拟数据集进行实验测试,并用不同的聚类结果评价指标对聚类结果作了分析。结果提出的密度RPCL为K-means提供了最佳的类簇数和最佳的初始聚类中心。结论基于密度RPCL的K-means算法具有很好的聚类效果,对噪音数据有很强的抗干扰性能。     

基于聚类优化的RBF神经网络多标记学习算法

多标记学习采用RBF神经网络与K-means聚类算法相结合取得了较好的效果,但由于聚类数事先不能很好地确定,无法给出准确的聚类个数值,会导致聚类质量下降、聚类结果不稳定等,进而影响RBF神经网络多标记算法的稳定性及分类性能。本文从样本几何结构的角度出发,采用一种聚类有效性指标函数,为每个类寻找最优的聚类个数,从而优化问题的求解。理论研究和实验结果表明,改进后的算法在分类的稳定性及分类性能方面都有较好的表现。     

基于大数据的公共自行车运营分析及调度模型

为解决公共自行车系统在交通高峰时间段自行车借还困难问题,提升公共自行车系统的运行效率和用户 满意度,以某市的现有公共自行车系统运营情况为研究对象,通过大数据归纳了公共自行车系统的借用和返回 规律,分析了公共自行车的运行特点,研究公共自行车的时间特性和周转特性,并且为调度模型的建立提供了 数据基础,最后通过改进蚁群算法建立了较好的公共自行车调度模型。实验结果表明,建立的静态调度行驶路 径优化模型得到了最优调度行驶路径,从而使高峰时间段自行车借还困难问题得到了有效解决,减少了调度所 需时间并提高了工作效率。     

基于智能算法的灾区救援路径规划

为减少重大自然灾害给人民生活带来巨大的经济损失,非常必要建立一个有效的灾难响应交通运输系 统。为此,提出了基于K-means 的聚类模型和遗传算法( Genetic Algorithm) 的多人最短路模型等现代智能算法, 并结合波多黎各城镇数据进行灾难救援模拟实验。结果显示,模型成功完善了传统的灾难响应交通系统时效 低、针对性差、效率低等缺点,针对医院、公路网密集、人口密度大以及平原地区进行优先救助,利用无人机 进行主要交通线路的快速巡查,以波多黎各地区为例进行实验,结果显示模型快速实现交通恢复,为地面物资 的输送提供了极大的便利,提升了救援速度。     

主动配电网下分布式能源系统双层两阶段调度优化模型

为解决当前能源系统调度优化模型分层调度能力不高的问题,在控制分布式能源系统运行成本的前提下,构建主动配电网下分布式能力系统双层两阶段调度优化模型。优化调度模型分层调度函数,并设定能源系统调度约束条件。使用帝国竞争优化算法对能源系统调度优化模型进行求解,获取最佳调度方案。构建算例分析环节,引入IEEE-33节点配电网测试系统完成分析过程。算例测试结果表明：此模型在日前阶段与日内阶段均可提高能源利用率,确保了能源系统的经济性。可见此模型可有效提高分布式能源的消纳能力,使主动配电网的经济效益最大化。     

一种确定最佳聚类数的新算法

针对K-均值聚类算法需要事先确定聚类数K的问题,将粒度计算引入样本相似度函数,定义了新的样本相似度,用模糊等价聚类确定数据集可能的最大类簇数Kmax.以Kmax为搜索上界,利用改进全局K-均值聚类算法,以BWP(Between-Within Proportion)为聚类有效性度量指标,提出确定最佳聚类数的一种新方法.通过UCI机器学习数据库数据集以及随机生成的人工模拟数据集实验测试,证明该算法不仅能有效确定数据集的最佳聚类数,而且适用于大规模数据集,但是会受到噪音点影响.     

K-means算法聚类中心选取

传统K-means 算法对于聚类初始点的选取和距离度量的计算异常敏感,因而很可能导致K-means 算法只能收敛得到局部最优解。为此,提出一种改进的K-means 算法,即K-means 聚类算法最优匹配算法,并进行了相关的算法实验分析。该改进算法首先对传统的K-means 聚类算法进行初始点的选取,并分析聚类结果。然后,分别从初始聚类中心的选择和距离算法的确定进行实验测试,引入轮廓系数评价聚类效果,分析实验结果可知,K-means 聚类算法最优匹配算法具有较好的稳定性和较高的聚类准确率。     

面向拥塞控制的WMN 联合功率控制与信道分配

为解决所构建的联合资源分配模型的资源分配问题,提出一种面向拥塞控制的联合功率控制与信道分配算法( CCJPCA: Congestion Control oriented Joint Power control and Channel assignment Algorithm) 。CCJPCA 算法通过混合编码策略实现了链路功率与信道变量的共同进化,利用Q-Learning 算法的回报机制实现变异策略的自适应选择,从而保证网络资源的合理配置。NS-3( Network Simulator-3) 仿真结果表明,CCJPCA 算法能优先为网络瓶颈链路分配网络资源,提高算法收敛速度,减少网络排队和重传时延,降低网络平均丢包率。