为解决源荷双侧不确定性对冷热电联供CCHP(combined cooling,heating and power)型微网经济运行带来的电量实时平衡问题,提出一种基于鲁棒理论的CCHP微网电、热、冷混合储能容量配置模型。基于鲁棒理论,建立源荷双侧不确定性变量合集。...为解决源荷双侧不确定性对冷热电联供CCHP(combined cooling,heating and power)型微网经济运行带来的电量实时平衡问题,提出一种基于鲁棒理论的CCHP微网电、热、冷混合储能容量配置模型。基于鲁棒理论,建立源荷双侧不确定性变量合集。考虑储能设备日折算成本,以微网运行成本最低为目标,采用自适应差分进化算法对模型进行求解,得到不同预测精度与置信概率下的微网储能最优容量合集。通过设置评价指标,选取最合适的储能配置方案,对微网配置储能前后的调度情况作对比。结果表明,基于鲁棒理论配置的电、热、冷这3类储能可有效提升微网在源荷双侧不确定下的电力电量实时平衡能力与运行经济性。展开更多
文摘为解决源荷双侧不确定性对冷热电联供CCHP(combined cooling,heating and power)型微网经济运行带来的电量实时平衡问题,提出一种基于鲁棒理论的CCHP微网电、热、冷混合储能容量配置模型。基于鲁棒理论,建立源荷双侧不确定性变量合集。考虑储能设备日折算成本,以微网运行成本最低为目标,采用自适应差分进化算法对模型进行求解,得到不同预测精度与置信概率下的微网储能最优容量合集。通过设置评价指标,选取最合适的储能配置方案,对微网配置储能前后的调度情况作对比。结果表明,基于鲁棒理论配置的电、热、冷这3类储能可有效提升微网在源荷双侧不确定下的电力电量实时平衡能力与运行经济性。
文摘粒子群优化(particle swarm optimization,PSO)算法是一种在机器人运动规划、信号处理等领域有广泛应用的优化算法。然而该算法易陷入局部最优解,从而导致早熟问题。出现早熟问题的原因之一是粒子群仅依靠适应度值选择学习范例。为了克服上述问题,提出了一种基于适应度值、改进率和新颖性混合驱动的PSO算法(particle swarm optimization algorithm based on hybrid driven by fitness values,improvement rate,and novelty,FINPSO)。在该算法中,引入的新指标和遗传算法会平衡种群的探索与开发,降低粒子群早熟的可能性。适应度值、改进率和新颖性会作为粒子的评价指标。各指标独立地选择学习范例并保存到不同的档案中。粒子每一次速度更新都要确定各个指标的权重,并从每个档案中选择一个范例学习。该算法采用了遗传算法进行粒子间的信息交流。遗传算法中的交叉互换和突变会给种群带来更多的随机性,提升种群的全局搜索能力。以八个PSO算法变体作为对比算法,两个CEC测试套件作为基准函数进行实验。实验结果表明,FINPSO算法优于已有的PSO算法变体达到最先进水平。
