電網優化調度
① 對微電網日前優化調度有何認識
微電網的核心技術在於多種能源的發電調度控制,傳統的大電網控制方法相去甚遠。
② 調度機構調整電網運行方式應注意哪些風險
電力系統信息處理、監視和控制的中心機構。它根據電力系統當前運行狀況和預計的變化進行判斷、決策和指揮。
分為國調、網調、省調、地調、縣調五級調度。每級調度按照調度管轄范圍劃分,分級管理。
調度的主要職責
保證電網連續、穩定、正常運行,按照資源優化配置的原則,實現優化調度、節能調度,最大限度滿足用戶的用電需要。
每級調度還都有自己的對應職責
一是月度風險預警:每月初通過協同辦公系統以《甘肅電網月運行方式》文件形式發布次月因計劃檢修及電網運行方式調整所引發的電網運行風險預警。
二是周風險預警:每周四通過生產會議系統發布下周因計劃檢修及電網運行方式調整所引發的電網運行風險預警。
三是日風險預警:每日17:00以前通過省調OMS系統發布次日因臨時檢修及電網運行方式調整所引發的電網運行風險預警,並通過簡訊平台通知。
③ 電力系統的一次調頻主要與以下哪些因素有關 有功優化調度
一次調頻是指當電網頻率超出規定的正常范圍後,電網頻率的變化將使電網中參與一次調頻的各機組的調速系統根據電網頻率的變化自動地增加或減小機組的功率,從而達到新的平衡,並且將電網頻率的變化限制在一定范圍內的功能。一次調頻功能是維護電網穩定的重要手段。
④ 電網的優化運行和優化調度有啥區別
電力調度是電力系統內部的一個組織機構即電網調度機構。也就是電網的發電、供電、用電運行組織、指揮、指導和協調中心。
電網調度機構是電網運行組織、指揮、指導和協調機構。各級調度機構分別由本級電網經營企業直接領導。調度機構既是生產運行單位,又是電網經營企業的職能機構,代表本級電網經營企業在電網運行中行使調度權。
各級調度機構在電網調度業務活動中是上、下級關系。下級調度機構必須服從上級調度機構的調度。
凡並入電網的各發電、供電、用電單位,必須服從地調的統一調度管理,遵守調度紀律。各級調度機構按照分工在其調度管理范圍內實施電網調度管理。
電網調度機構管理的任務:
電網調度管理的任務是組織、指揮、指導和協調電網的運行,保證實現下列基本要求:
1、按最大范圍優化配置資源的原則,實現優化調度,充分發揮電網的發、輸、供電設備能力,最大限度地滿足社會和人民生活用電的需要;
2、按照電網的客觀規律和有關規定使電網連續、穩定、正常運行,使電能質量(頻率、電壓和諧波分量等)指標符合國家規定的標准;
3、按照「公平、公正、公開」的原則,依有關合同或協議,保護發電、供電、用電等各方的合法權益。按電力市場調度規則,組織電力市場運營。
4、根據本電網的實際情況,充分合理利用一次能源,使全電網在供電成本最低或者發電能源消耗率及網損率最小的條件下運行。
⑤ 電力調度是什麼意思
電力調度簡單地說就是根據電力負荷的變動,對電網的潮流進行管理的一項工作。它涉及了許多的專業術語和專業知識,一句話不可能解釋清楚。
⑥ 微電網日前優化調度的允許棄風棄光是什麼意思
微電網(Micro-Grid)也譯為微網,是一種新型網路結構,是一組微電源、負荷、儲能系統和控制裝置構成的系統單元。微電網是一個能夠實現自我控制、保護和管理的自治系統,既可以與外部電網並網運行,也可以孤立運行。微電網是相對傳統大電網的一個概念,是指多個分布式電源及其相關負載按照一定的拓撲結構組成的網路,並通過靜態開關關聯至常規電網。 開發和延伸微電網能夠充分促進分布式電源與可再生能源的大規模接入,實現對負荷多種能源形式的高可靠供給,是實現主動式配電網的一種有效方式,是傳統電網向智能電網過渡。
智能電網(smart power grids),就是電網的智能化,也被稱為「電網2.0」,它是建立在集成的、高速雙向通信網路的基礎上,通過先進的感測和測量技術、先進的設備技術、先進的控制方法以及先進的決策支持系統技術的應用,實現電網的可靠、安全、經濟、高效、環境友好和使用安全的目標,其主要特徵包括自愈、激勵和包括用戶、抵禦攻擊、提供滿足21世紀用戶需求的電能質量、容許各種不同發電形式的接入、啟動電力市場以及資產的優化高效運行。
兩個都是電力系統專業的新概念。都與新能源技術的大規模應用有關,因為傳統電網無法大量消納光伏、光熱、風電等新能源電力,所以才提出以上技術,特別是前者。智能電網最先由米國提出,是一些有信息技術產業背景()的議員在忽悠。
⑦ 求一個遺傳演算法進行電力系統優化調度 代碼
發一份自編的MATLAB遺傳演算法代碼,用簡單遺傳演算法(Simple Genetic Algorithm or Standard Genetic Algorithm ,SGA)求取函數最大值,初版編寫於7年前上學期間,當時是MATLAB 5.x,在演算法運行效率方面做了修改,主要是採用矩陣操作減少了循環。
遺傳演算法為群體優化演算法,也就是從多個初始解開始進行優化,每個解稱為一個染色體,各染色體之間通過競爭、合作、單獨變異,不斷進化。
優化時先要將實際問題轉換到遺傳空間,就是把實際問題的解用染色體表示,稱為編碼,反過程為解碼,因為優化後要進行評價,所以要返回問題空間,故要進行解碼。SGA採用二進制編碼,染色體就是二進制位串,每一位可稱為一個基因;解碼時應注意將染色體解碼到問題可行域內。
遺傳演算法模擬「適者生存,優勝劣汰」的進化機制,染色體適應生存環境的能力用適應度函數衡量。對於優化問題,適應度函數由目標函數變換而來。一般遺傳演算法求解最大值問題,如果是最小值問題,則通過取倒數或者加負號處理。SGA要求適應度函數>0,對於<0的問題,要通過加一個足夠大的正數來解決。這樣,適應度函數值大的染色體生存能力強。
遺傳演算法有三個進化運算元:選擇(復制)、交叉和變異。
SGA中,選擇採用輪盤賭方法,也就是將染色體分布在一個圓盤上,每個染色體占據一定的扇形區域,扇形區域的面積大小和染色體的適應度大小成正比。如果輪盤中心裝一個可以轉動的指針的話,旋轉指針,指針停下來時會指向某一個區域,則該區域對應的染色體被選中。顯然適應度高的染色體由於所佔的扇形區域大,因此被選中的幾率高,可能被選中多次,而適應度低的可能一次也選不中,從而被淘汰。演算法實現時採用隨機數方法,先將每個染色體的適應度除以所有染色體適應度的和,再累加,使他們根據適應度的大小分布於0-1之間,適應度大的占的區域大,然後隨機生成一個0-1之間的隨機數,隨機數落到哪個區域,對應的染色體就被選中。重復操作,選出群體規模規定數目的染色體。這個操作就是「優勝劣汰,適者生存」,但沒有產生新個體。
交叉模擬有性繁殖,由兩個染色體共同作用產生後代,SGA採用單點交叉。由於SGA為二進制編碼,所以染色體為二進制位串,隨機生成一個小於位串長度的隨機整數,交換兩個染色體該點後的那部分位串。參與交叉的染色體是輪盤賭選出來的個體,並且還要根據選擇概率來確定是否進行交叉(生成0-1之間隨機數,看隨機數是否小於規定的交叉概率),否則直接進入變異操作。這個操作是產生新個體的主要方法,不過基因都來自父輩個體。
變異採用位點變異,對於二進制位串,0變為1,1變為0就是變異。採用概率確定變異位,對每一位生成一個0-1之間的隨機數,看是否小於規定的變異概率,小於的變異,否則保持原狀。這個操作能夠使個體不同於父輩而具有自己獨立的特徵基因,主要用於跳出局部極值。
遺傳演算法認為生物由低級到高級進化,後代比前一代強,但實際操作中可能有退化現象,所以採用最佳個體保留法,也就是曾經出現的最好個體,一定要保證生存下來,使後代至少不差於前一代。大致有兩種類型,一種是把出現的最優個體單獨保存,最後輸出,不影響原來的進化過程;一種是將最優個體保存入子群,也進行選擇、交叉、變異,這樣能充分利用模式,但也可能導致過早收斂。
由於是基本遺傳演算法,所以優化能力一般,解決簡單問題尚可,高維、復雜問題就需要進行改進了。
下面為代碼。函數最大值為3905.9262,此時兩個參數均為-2.0480,有時會出現局部極值,此時一個參數為-2.0480,一個為2.0480。演算法中變異概率pm=0.05,交叉概率pc=0.8。如果不採用最優模式保留,結果會更豐富些,也就是演算法最後不一定收斂於極值點,當然局部收斂現象也會有所減少,但最終尋得的解不一定是本次執行中曾找到過的最好解。
(註:一位網名為mosquitee的朋友提醒我:原代碼的變異點位置有問題。檢驗後發現是將最初的循環實現方法改為矩陣實現方法時為了最優去掉mm的第N行所致,導致變異點位置發生了變化,現做了修改,修改部分加了顏色標記,非常感謝mosquitee,2010-4-22)
% Optimizing a function using Simple Genetic Algorithm with elitist preserved
%Max f(x1,x2)=100*(x1*x1-x2).^2+(1-x1).^2; -2.0480<=x1,x2<=2.0480
% Author: Wang Yonglin ([email protected])
clc;clear all;
format long;%設定數據顯示格式
%初始化參數
T=100;%模擬代數
N=80;% 群體規模
pm=0.05;pc=0.8;%交叉變異概率
umax=2.048;umin=-2.048;%參數取值范圍
L=10;%單個參數字串長度,總編碼長度2L
bval=round(rand(N,2*L));%初始種群
bestv=-inf;%最優適應度初值
%迭代開始
for ii=1:T
%解碼,計算適應度
for i=1:N
y1=0;y2=0;
for j=1:1:L
y1=y1+bval(i,L-j+1)*2^(j-1);
end
x1=(umax-umin)*y1/(2^L-1)+umin;
for j=1:1:L
y2=y2+bval(i,2*L-j+1)*2^(j-1);
end
x2=(umax-umin)*y2/(2^L-1)+umin;
obj(i)=100*(x1*x1-x2).^2+(1-x1).^2; %目標函數
xx(i,:)=[x1,x2];
end
func=obj;%目標函數轉換為適應度函數
p=func./sum(func);
q=cumsum(p);%累加
[fmax,indmax]=max(func);%求當代最佳個體
if fmax>=bestv
bestv=fmax;%到目前為止最優適應度值
bvalxx=bval(indmax,:);%到目前為止最佳位串
optxx=xx(indmax,:);%到目前為止最優參數
end
Bfit1(ii)=bestv; % 存儲每代的最優適應度
%%%%遺傳操作開始
%輪盤賭選擇
for i=1:(N-1)
r=rand;
tmp=find(r<=q);
newbval(i,:)=bval(tmp(1),:);
end
newbval(N,:)=bvalxx;%最優保留
bval=newbval;
%單點交叉
for i=1:2:(N-1)
cc=rand;
if cc<pc
point=ceil(rand*(2*L-1));%取得一個1到2L-1的整數
ch=bval(i,:);
bval(i,point+1:2*L)=bval(i+1,point+1:2*L);
bval(i+1,point+1:2*L)=ch(1,point+1:2*L);
end
end
bval(N,:)=bvalxx;%最優保留
%位點變異
mm=rand(N,2*L)<pm;%N行
mm(N,:)=zeros(1,2*L);%最後一行不變異,強制賦0
bval(mm)=1-bval(mm);
end
%輸出
plot(Bfit1);% 繪制最優適應度進化曲線
bestv %輸出最優適應度值
optxx %輸出最優參數