文摘

大量的现代通信技术和遥感技术整合到智能电网,使得其结构独特。传统电网的集中优化调度方法难以实现有效的智能电网调度。基于发电计划的分析和维修计划优化模型,本文建立了一个智能电网发电和维护协同优化模型与分布式可再生能源。此协作优化问题的目标函数是操作传统的单位成本,风力发电的成本,和改革成本的单位;考虑的约束主要包括制度约束和改革约束。解决方案的组合优化方法进行了分析,本文中采用的遗传优化算法选择和讨论。根据系统的特点,不同的负荷建模,和电力供应约束。通过建立一个有效的目标函数,可调负荷调度问题转化为一个可解的最优控制问题。考虑到系统中的不确定因素,实时控制系统的优点是,它可以实现负载的动态更新调度,所以它更符合实际系统的要求。实时算法本文是基于分布式控制策略,它不仅可以实现动态补偿随机波动的可再生能源发电,也满足负载曲线优化供电的前提下充分利用资源。 In addition, simulation experiments compare the load dispatching capabilities of the proposed algorithm with the existing algorithms, thereby verifying the performance of the proposed method.

1。介绍

全球经济的迅速发展,越来越要求电能的质量和数量。然而,化石燃料正面临枯竭,环境污染变得越来越严重,社会各界急需技术提高能源效率和电力安全与稳定1]。在这种情况下,智能电网技术应运而生。和这个技术已经引起了广泛的讨论和关注近年来研究。由于智能电网的广泛应用,企业可以高效、可靠地运行,从而能够大大降低企业的运营成本(2,3]。通过优化零售管理从生产到运输,企业管理是智能,从而达到节电的目的,增加可再生能源的利用率,支持混合动力车的访问,使家电智能(4]。电网公司的终极目标是使电网安全、可靠地运行,和建设成本更经济5]。

进入21世纪后,中国的电力供应形势日益紧张。电力供应短缺时期,特别是在夏季高峰期间,对全国27个省级电网已经关闭,有限,问题称为“电力短缺”仍然是普遍的。目前,有一个大型热电不同电力负荷曲线,峰值负载仍在增长,导致越来越热电的区别。这种情况下的直接后果是供电不足的发生。如果我们想要彻底改变这种现象,我们只能增加电源在高峰时期。然而,在很短的时间内,目前最有效的解决方法是进行合理的负载调度可用资源的充分利用电力系统的完整的分配和调度,以减少高峰负荷,增加槽值,减少峰之间的差异。

智能电网可替换主体系统应对这些挑战通过有效的科学技术和智能电网分布式调度策略越来越被重视电力系统研究[6]。在实际环境中,当一个多重代理系统正在运行,每个代理将会有一个时间延迟,由于每个代理之间的距离在接收信息时发送的其他代理(7]。电力系统的安全稳定运行需要考虑通信系统的影响。智能电网之间的时间延迟可替换主体系统常常会影响系统的动态性能,可降低系统的收敛速度,而且更严重的是,它可能会使系统不稳定(8]。在未来的电力系统,研究人员讨论了即插即用资源连接到电网作为一个有效的方法(9]。类似于计算机系统,即插即用电力系统意味着一个插件可以被放置在电气系统的任何地方没有复位控制(10]。即插即用接口将包括一个通信接口,所以新设备添加到变电站时,它会自动向控制中心报告数据,如设备参数和设备互连信息(11,12]。因此,控制中心必须有高带宽通信设施来收集所有的信息系统中,需要高连接通信系统的拓扑结构,从而增加了投资的通信拓扑,并要求计算能力的控制中心13]。由于即插即用功能,不同的设备频繁访问和出口,这使得系统的拓扑结构改变(14]。为了控制这种系统,分布式优化更适合解决通信拓扑的变化和适应即插即用的要求。分布式算法具有较高的鲁棒性和可伸缩性,可以更好地适应可再生能源发电。相关学者提出了一个健壮的负荷和能源可持续发展管理框架数据中心,解决问题的最优工作负载和电源管理在云网络由多个地理上分布的映射节点和数据中心(15]。为了应对可再生能源发电的不确定性,作者用一个多边形区域采用线性约束如太阳能发电的最大值和最小值的不确定性和构造资源分配和任务分配作为鲁棒优化问题16]。它最小化的净成本在最坏的情况下的数据中心操作限制。研究人员把智能电网的动态电价之间的交互和数据中心的能耗负载作为一个游戏问题[17]。在第一阶段,智能电网使用动态定价改变数据中心的能耗平衡电力负荷。在第二阶段,数据中心最小化总电费管理载荷分布对电价变化的反应。相关学者提出了成本最小化问题,即智能调度微型智能电网"可再生能源发电装备不稳定和热电联产机组18]。为了处理净需求的不确定性和热需求,作者提出了一种新颖灵活的不确定性模型,解决主要问题的最小化成本通过分支定界方法(19]。相关学者认为是任务调度的多目标优化问题的数据中心,建立了4个客观框架,优化可再生能源的利用率,任务完成时间,能源消费总量,和任务处理速度的同时,提出了一个增强的多目标协同进化算法解决这个问题(20.]。

在智能电网的快速发展的背景下,大规模的开发和利用可再生能源,本文认为影响的大规模风电并网调度计划的准备和建立一个智能电网发电计划和维护与分布式可再生能源。我们利用风能的分布函数输出将风电的不确定性转换为确定性模型和使用智能优化算法(遗传算法)来解决模型和优化风力发电调度计划将储备足够的峰值空间波动。风力发电的有限消费会带来可观的经济效益。本文的最优控制算法,实现了跟踪负载曲线的电力供给曲线通过最小化的方差负载和电源之间的区别。与传统控制策略算法相比,仿真实验验证了本文算法的有效性。针对实时分布式系统、可调负载调度策略与电源提出了约束。这种策略可以弥补发电过程中的波动,实现实时跟踪负荷曲线的电力供给曲线。通过预测相关的变量,可调负载可以随机连接到电网,介绍了虚拟负载等概念,然后提出了实时控制方法。

本文的其余部分组织如下。部分2分析了智能电网系统的应变能力。部分3建立智能电网的协调调度优化模型生成和维护。节4进行仿真实验,实验结果进行了分析。部分5总结了全文。

2。分析智能电网系统的弹性

2.1。智能电网调度技术

智能电网覆盖范围广泛,包括基本的电力传输和分配系统,并集成了许多高科技技术,如人工智能技术、数字技术、传感器技术、信息技术和通信技术。随着环境问题越来越突出,如何建立一种新型的电网环保、高效、可靠和高智商已经成为一个常见的问题。建立智能电网可以集成、分析和利用的巨大信息整个电网,使电网形成客户服务总线通过信息归纳计算,信息和数据的分析和利用最大化,保证整个系统的稳定性,并使更有效的经营和管理水平。

电能的特点之一是,它不能存储。发电厂分散在一个大区域发电,由于高压变电站,然后通过高压输电线路、降压变电站,智能电网用户。电网调度是智能电网的重要组成部分。智能调度的一个重要体现智能电网的技术和应用水平。这是迅速提高电网的关键能力接受清洁能源和建设智能电网的唯一途径。图1描述之间的关系在整个智能电网调度和其他系统。

2.2。分析智能电网故障率

2.2.1。故障率分析基于结构可靠性理论

力负载覆盖等因素的力的大小和作用点;自身结构的强度与所使用的材料和组件的大小。极端天气对电网的影响组件的故障率可以使用结构可靠性分析理论。

当电线和两极影响的负载超过强度的组件,这些组件将被损坏,导线的组件和波兰人服从一定的概率分布。钢丝强度的随机变量:架空电线通常由钢芯铝绞合线,这将打破在外力的作用下。因此,线的强度主要考虑其抗拉强度,也就是说,他们可以承受的最大综合应力线坏了。IEC60826标准指出,金属材料的抗拉强度服从正态分布,及其概率密度函数可以表示为

的公式,和的平均值和标准偏差是钢丝的抗拉强度,分别。

架空导线的电杆的力量在智能电网也是不确定的,由于制造业和建筑业错误和其他原因。电杆组件的强度主要关注其弯曲强度,也就是说,它能承受的最大弯矩。弯曲强度服从正态分布,其概率密度函数可以表示为

公式的平均值和标准偏差弯曲强度可以通过实际操作经验。

2.2.2。分析基于短路的失败率旅行速度模型

不同的台风和暴雨等极端天气,机械载荷影响配电线路的故障率。雷暴将导致架空配电线路行程的缺点。一些旅行的瞬态故障,可以通过自动重合闸,恢复,另一个是永久性的。性故障可能是由于绝缘体脱落和电线坏了。跳闸故障的概率与闪电密度,闪电阻力位,耐压、雷电流幅值。

当雷击地面,点是不确定的。它取决于对象的第一个结束放电通道进入。它属于领先距离并导致直接闪电旅行和倒在地上的罢工的距离 。

线之间的距离的计算公式和地面

的公式,的平均身高。地面接触弧的交点的高度和线接触弧等于闪电电流对应于 :

2.3。分析故障场景考虑馈线区域

执行智能电网弹性分析,有必要了解负载损失由极端天气造成的。因此,有必要确定停电范围根据网络结构和错误的组件的位置和计算缺乏电力供应。有必要分析缺乏电力供应每个故障场景,确定停电范围和停电时间根据错误的组件的位置,网络结构,开关的位置。

在配电系统的规划和设计,通常需要满足N1安全标准,但开环运行方式应采用在操作期间。当智能电网组件失败,接触开关将会采取行动,和一些负载可以恢复供电;一些负载隔离故障区域和仍然是由上级电源;的另一部分故障区域,离不开的负载和电源将恢复组件后修复。负载的范围停电的故障场景相关的网络结构;停电时间分割形成的切换相关的元素。

当一个组件在馈线失败,故障可以通过一个开关,隔离和部分负荷恢复供电。因此,故障范围分析在故障情况下主要取决于开关组件的位置,和负载在同一段具有相同的电源故障状态。为多个缺点,当其他组件的故障条件是相同的,所有组件在同一段失败之后有相同的影响。馈线区域的概念可以简化分析配电系统故障的影响范围的场景。馈线区域指的是一组组件有一个共同的和只包含一个进气开关。组件的失败将导致其他组件在同一馈线区域失去权力。因此,组件的功率损耗在馈线部分可以在馈线区域的单元进行分析,从而提高电力短缺的效率和速度在不同的场景中计算。

在极端天气条件下,智能电网大规模失败和发生大规模停电。极端天气通过边境后,智能电网逐渐回到原来的正常操作状态。图2是一个系统的原理图函数曲线的智能电网在极端天气的整个过程。

根据位置、故障时间序列和修复错误的组件在每个场景中,我们分析每个节点负载点的功率损耗的后果不同的组件失败,获得系统功能从极端天气的发生到恢复正常运行,然后计算出整个系统的负载曲线的失踪区域的故障场景。

2.4。智能电网适应能力评估模型

主要极端天气对智能电网的影响是一个重要的组件的故障率增加,导致大规模的多个失败的概率增加。在这个场景中,故障和恢复过程非常复杂。有许多智能电网组件,还有大量的多个失败场景组成的不同组件。因此,有必要分析失败场景,可能是由于极端天气的可能性和不确定性根据场景和架空线的失败率。系统信息熵方法是一种方法,选择合理的系统状态的场景基于一个事件的概率。系统的熵表示的不确定性程度。智能电网是一个不确定的系统,可能会失败在每一时刻,和它的熵值是

其中,代表了时间的台风遍历智能电网领域;代表了智能电网线路集;代表是否行恰好是错误的时刻 ;和1是一个错。每个韧性分析对应于一个场景向量,这对应于系统的熵值的场景。

从失败的不确定性的角度情况下,价值的故障率应该服从的分布。某一行的失败率越高,越这样一个不确定的事件的发生概率的失败。例如,如果线路的故障率是0,组件失败事件的不确定性将是无限的,必须有在所有情况下, 。因此,从实际的可能性的情况下,合理的韧性分析场景W不能太大或太小满足:

故障场景选择满足条件的特征更大的故障发生概率和严重后果,构成一个典型的故障场景智能电网弹性分析。

本文利用系统功能的缺失区域极端天气下反映智能电网的韧性,并且在出现故障的情况下使用的发生概率和相应的失踪区域的负载曲线计算智能电网韧性指数。

的公式,发生的概率是场景吗 ; 是选择的失败场景的数量;是缺乏电力供应的程度的场景吗 ; 代表着时间,智能电网是受到极端天气的影响,包括时间台风穿过智能电网。从故障恢复所需的时间在每个场景中是不同的,应该大于相应的多少t4在每个场景中;代表实际的负载发生大规模故障时由于极端天气;表示目标系统运行时负载曲线没有失败;代表实际曲线和目标曲线之间的区域,这是失踪的区域的负荷曲线。

3所示。智能电网协调调度优化模型

3.1。协同优化模型

电力调度的模式通常分为经济调度模式,节能发电调度模式,和低碳电力调度模式。在不同调度模式,优化的目标函数用于生成计划是不同的。在正常情况下,经济调度主要考虑系统的运营成本;节能优化调度主要是考虑系统的能源消耗和污染物的排放;和低碳调度主要认为二氧化碳的排放。数据验证的原理图如图电力调度数据中心3。

需要考虑的约束条件的优化发电计划涉及范围和复杂性。从综合分类的角度来看,它主要包括发电机组本身的约束,约束,约束系统约束和网络。其中,发电机组的自我约束是指只涉及到一个单位的约束,主要包括输出的上限和下限,攀登约束,最低启动(停止)时间约束,启动和停止的数量限制。发电机组的约束主要包括输出约束单元组和功耗的单元组;系统性约束指的是约束涉及所有的机组系统,包括有功功率平衡约束、备用约束和排放限制。

传统的发电成本单位通常是安装成一个二次函数的输出单元。在这篇文章中,

其中,发电成本系数我th单元可以用 , ,和 ; 有功功率输出的单位吗时期 ;Y传统单元的启动和停止状态吗时期 ;1意味着运行;0意味着中断。

风力涡轮机的发电不需要燃料成本和燃料成本设置为0,但风力发电机的维护成本和劳动力成本需要考虑,所以在本文中风力发电的成本可以表示为

其中,是风力发电机的维护成本系数 。

3.2。组合优化算法

类似于发电计划和维护计划,协同优化问题是一个组合优化问题,具有维数高的特点,不连续性和非线性。现有的解决方法主要可以分为启发式算法,传统的数学优化算法和人工智能优化。

其中,启发式算法主要包括平等的备用方法,等于风险方法,优先顺序法、动态规划方法;传统的数学优化算法包括线性规划方法,0 - 1整数规划的方法,分支定界法、拉格朗日松弛法;智能优化算法主要有遗传算法、禁忌搜索算法、模拟退火算法、粒子群优化算法和神经网络算法。混合智能算法是指两种智能优化算法的结合,包括immune-taboo搜索算法。(1)线性规划:线性规划是一种优化方法,研究了在业务研究。它能帮助人们进行科学的管理,使他们可以用有限的资源做出最好的决策。原则是使用研究问题的目标函数和约束条件。线性方程表达和单纯形法用于获得问题的最优解。(2)混合整数规划:线性规划问题的决策变量可以是整数或小数和分数。在整数规划,确定决策变量必须是整数。如果所有的变量是整数,这种纯整数规划问题成为。许多问题传统组合优化的混合整数规划问题,背包问题、旅行商问题,在电力系统单位承诺的问题。混合整数规划的一种特殊形式的0 - 1的问题,可以解决主要通过枚举。(3)神经网络算法:神经网络算法的特点,大规模的分布式信息的输出和良好的自组织和自学习能力。算法的研究起源于人类神经科学。人工神经网络是一个动态的系统由大量的相互联系的神经单元。它有广阔的应用前景在优化设计中,信号输出,智能控制等等。(4)模拟退火算法:模拟退火算法设计基于固体物理学退火的原则。它是一种随机优化方法使用一个迭代的解决方案的策略。这个想法是为了从更高的初始温度。当温度逐渐降低,有一定概率会跳出局部解空间找到全局最优解。模拟退火算法是一种通用的优化算法,用于工程实践。它有广泛的应用。(5)粒子群算法:粒子群优化算法,也称为PSO算法,并行计算方法,研究了近年来广泛应用在智能优化算法。这个方法模拟自然生物的群体行为,基于信息共享机制,通过粒子的自学习和学习最好的个人的方法实现快速搜索解空间。粒子群算法非常适合简略复杂优化问题和多目标优化问题的解空间和方便使用的分析方法。与模拟退火算法类似,它也从一个随机解,通过迭代找到最优解,并评估解决方案的质量在这一过程中通过健身。但与遗传算法相比,它更加简单。没有“交叉”和“突变”在遗传算法操作。它找到全局最优解的最优值目前搜索。然而,在实际应用中,还存在诸如个人的策略消除措施类似于遗传算法。像许多进化算法,粒子群算法需要一个相对大量的计算,但它仍然可以找到一个满意的最优解在一个相对短的时间当粒子尺寸小,优化策略是合适的。(6)动态规划:动态规划算法广泛应用于经济管理、生产调度和其他领域。它们主要用于解决动态优化问题除以时间。基本思想是将问题分解为几个阶段,可以通过每个阶段的决策和解决方案。动态规划算法具有很强的全局最优搜索,但很容易落入的维数灾难面临大规模规划问题。问题解决了动态优化算法必须满足最优化原理和无后效的条件。

3.3。遗传优化算法

基于生物进化原理,遗传算法遗传进化和重组的过程适用于智能电网调度计划的制定。参数需要解决编译层和表示二进制和十进制编码基因序列。基因序列的组合被称为“染色体。“若干次迭代后得到最终的优化结果。

遗传算法所涉及的因素包括确定参数的编码方法,选择最初人口计算,设计健身功能、遗传操作,处理算法控制参数和设置约束。遗传算法的主要优点如下:(1)遗传算法的处理对象主要是个人“染色体”通过二进制和十进制编码,编码之前而不是自己的参数。等算法可以直接操作结构对象集,序列矩阵,树,图,连锁店,和表。例如,通过操作的连接矩阵,网络结构和参数进行了优化。(2)遗传算法可以处理多个个体的群体,有效地避免了搜索空间被困在当地的极端点一个峰值在点对点的搜索。这使得遗传算法的全局搜索性能更好。(3)遗传算法可以评估的优缺点个人只有通过适应度函数值的大小和执行的一系列操作,如选择,交叉,变异在此基础上。适应度函数不是受制于连续可微性,编码只需要对应可行解空间,和域的定义也可以任意设置。

最初的人口是随机生成初始解向量在解决方案空间通过一个随机算法。确定初始种群的方法是随机生成的N初始串结构数据。每个初始串结构数据是一个个体,和随机生成的初始种群的股票N个人;这些N个人在一起构成一个组。遗传算法的迭代过程开始,以这些串结构数据为出发点,并设置最大进化代数 ;自动生成的个人形成了初始种群。

自然进化遵循适者生存的法则。在遗传算法中,为了描述每个人可以获得遗传信息的概率,选择一个合适的适应度函数的标准判断个人的优点(解决方案)。适应度函数是与个人的健康直接成比例。在不同的问题,使用适应度函数是不同的。选择标准包括标准化(包括单值、连续和单调),合理性和普遍性。在处理具体问题时,个体的适应度函数可以通过计算获得。本文的数学模型的目标函数是用来评估的优缺点染色体找到最优解。

选择操作是遗传算法中最基本的操作之一。遗传算法的适应度函数是作为指标,和个人健身选为下一代高准备接下来的遗传进化操作。一般来说,个人更健康更有可能选为下一代。常用的选择运营商适应性比方法,最佳个体保存法,期望值法、排序法,联盟的选择方法。最常用的方法是健身比例方法,也叫做轮盘或蒙特卡罗选择方法。

假设人口规模和个人的健身价值是 ,的概率我th个人被选为下一代在整个人口 ,和它们之间的关系

选择的概率表明更大的个体在整个人口的健康,概率越高,它将被选择作为下一代。相反,适应度越小,被淘汰的概率就越高。

通过选择操作,可以选择一些优秀的个体从目前的人口,所以选择的人有机会成为父母,繁殖后代,从上一代继承一些优秀的个体根据特定的规则。由于不同的个人健身,健身的后代将会不同。选择高的个人健身等等直到最后的选择。

遗传算法的交叉操作是用来模拟生物进化过程中的基因重组和是最重要的操作。两个选择染色体,我们随机选择交叉点交叉和相互交换信息,形成新的后代染色体。交叉操作不使用个人健康信息,所以它可以维持总体均值不变。遗传算法的交叉操作是非常重要的。一方面,它允许原始人群的优秀个人。它使算法寻找新基因空间,从而使算法跳出局部最优解在某种程度上。

在生物进化过程中,生物特征将改变随着生活环境的变化。遗传算法的变异操作是模仿生物进化的变异,从人口任意选择一个,然后改变个体的染色体的信息有一定概率的。变异可以遗传算法局部随机搜索能力。变异操作的使用可以加速收敛于最优解的人口;突变可以保持种群的多样性,从而防止算法陷入局部最优解在某种程度上,避免过早现象,提高遗传算法的解决能力。遗传算法的流程图如图4。

4所示。仿真实验与分析

4.1。可变负荷调度静态实验控制系统

在仿真实验中,从21日的时间范围设置:00至21日第一天:00第二天,和负载调度间隔设置为1小时;然后 。我们选择100单位参与实验,假设N电动汽车充电,可用于调度。

不可调的负载的加载数据来自2019年的负载值。在实验中,负载值在每个时刻的平均值作为2019年每天都在那一刻,如图5。

可再生能源发电数据来自于风力发电总量数据记录由省级电力系统操作员每十分钟从2015年到2019年。由于风力发电是极大地受季节和天气的影响,风力发电曲线的四种典型的日期选择代表四个不同的季节。仿真结果如图所示6。

此外,在本文的仿真实验,可调负载将被连接到电网的起始时间(第一天21:00)和在可分派的状态。在实验中,一个可充电的电动汽车被选为代表可调负载。假设充电电动汽车完全相同,每个电动汽车的总电力需求在实验中是12千瓦小时,充电率是在[0,3.1千瓦。

值得注意的是,总可调负载的价值也会有一定的对调度结果的影响。通常情况下,它是合理的选择可调负载总负荷的5% - -30%的价值。相应地,在仿真实验中,充电电动汽车的数量将是50的研究,和传统的混合整数规划的最优性负载调度算法和遗传优化算法进行比较,仿真结果如图7。

图7是调度的结果时使用遗传优化算法和混合整数规划的总可调负载是50。从图可以看出7(一)总负载曲线获得的遗传优化算法更接近电源的变化曲线。比较曲线之间的绝对差计划获得的电源和总负载值图的两种算法7 (b)可以看出,曲线通过混合整数规划和调度大波动。

4.2。可调负载优化实验实时分布式系统

均方预测误差值只与预测时刻。图8显示了标准的误差曲线风力预计在24小时内。从图可以看出,6峰数预测时刻的预测值。

仿真,可充电的电动汽车被选中代表可调负荷,并可调负载用电量计划的最优电动汽车的充电曲线。模拟使用电动汽车的相关数据和假设所有电动汽车的相关参数是完全相同的;即每个电动汽车的总电力需求是12 k Wh和额定充电之间的权力是[0,3.1]k w .区别静态控制系统仿真实验的充电时间调节负载连接到电网从21日开始:00第一晚结束12:00在第二天。在截止日期之后,所有电动汽车充电完成。

在时间 ,遗传优化算法只分派调度算法可调负载连接到电网,这样总负载功率曲线是尽可能接近电源供给曲线,和电力市场可以提供的电力资源最大化。仿真得到的功耗日程可调负载在每一刻并比较获得的总负载功率曲线的混合整数规划调度算法和遗传优化算法调度算法与电力供给曲线。图9选择比较的结果 。

图9(一个)显示的总负载曲线的比较结果在不同的时间两个负载调度算法。从上面的仿真结果可以看出,由于整数规划调度算法只需要减少负载曲线作为目标的不同热电负荷调度策略,它是不受限制的权力供给曲线。总负载功率值负载调度的混合整数规划调度算法获得的超过最大供电计划,这将导致电力市场超过供应,同时,它将有一定影响电力系统的稳定性。此外,从仿真图可以看出,当使用遗传优化算法用于实时控制,除了一些个别点,总负载曲线总是低于供电曲线,有效地避免了情况的总负载功率大于供给的价值。由于算法本身包含电源限制,从图可以看出,相对于整数规划调度算法的调度结果,遗传优化算法获得的总负载曲线接近电源供给曲线。

图9 (b)展示了计划中的电源之间的绝对差曲线和总负载功率的两种算法得到的负载调度。从上面的仿真图可以看出,混合整数规划和调度算法相比,遗传优化算法得到的差异通常维持在相对较低的水平。这时,电力供应资源提供的电力市场可以更充分地利用,少剩下的未使用的权力,有效地避免资源的浪费。

5。结论

基于发电计划的分析和维修计划优化模型,本文建立了一个智能电网发电和维护协同优化模型与分布式可再生能源。协同优化问题的目标函数是传统的运营成本单位和风力发电的成本。考虑的约束主要包括两个部分:系统约束(功率平衡约束、热备用约束单元输出上限和下限约束,攀爬和单元约束)和维护约束(维修状态约束,维修时间限制,维护连续性约束,互斥约束,维护和维护之间的关联约束状态和起止状态)。分析解决方案的组合优化方法和选择,介绍了本文采用的遗传优化算法。与MATLAB软件仿真实验验证了该算法的有效性。该算法克服了传统算法的局限性,只有满足谷填充和不考虑电源的限制,所以它是更实用,可以确保充分利用电力资源,也有助于维持电力系统的相对稳定性。条件下的电力供应限制,遗传优化算法可以实现总负载曲线接近供电曲线。在仿真实验中,遗传优化算法的有效性,进一步验证了通过比较它与传统的负载调度算法(整数规划调度算法)。由于混合整数规划和调度算法只使用在理想条件下没有电力供应约束,遗传优化算法克服了这一局限性,更符合实际情况。当遗传优化算法用于加载实时调度、电力市场的电力供应资源可以充分利用,这有利于电力系统的安全有效运行。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称他们没有竞争的经济利益或个人关系可能出现影响工作报告。