① 对微电网日前优化调度有何认识

微电网的核心技术在于多种能源的发电调度控制，传统的大电网控制方法相去甚远。

② 调度机构调整电网运行方式应注意哪些风险

电力系统信息处理、监视和控制的中心机构。它根据电力系统当前运行状况和预计的变化进行判断、决策和指挥。
分为国调、网调、省调、地调、县调五级调度。每级调度按照调度管辖范围划分，分级管理。
调度的主要职责
保证电网连续、稳定、正常运行，按照资源优化配置的原则，实现优化调度、节能调度，最大限度满足用户的用电需要。
每级调度还都有自己的对应职责
一是月度风险预警：每月初通过协同办公系统以《甘肃电网月运行方式》文件形式发布次月因计划检修及电网运行方式调整所引发的电网运行风险预警。

二是周风险预警：每周四通过生产会议系统发布下周因计划检修及电网运行方式调整所引发的电网运行风险预警。

三是日风险预警：每日17:00以前通过省调OMS系统发布次日因临时检修及电网运行方式调整所引发的电网运行风险预警，并通过短信平台通知。

③ 电力系统的一次调频主要与以下哪些因素有关 有功优化调度

一次调频是指当电网频率超出规定的正常范围后，电网频率的变化将使电网中参与一次调频的各机组的调速系统根据电网频率的变化自动地增加或减小机组的功率，从而达到新的平衡，并且将电网频率的变化限制在一定范围内的功能。一次调频功能是维护电网稳定的重要手段。

④ 电网的优化运行和优化调度有啥区别

电力调度是电力系统内部的一个组织机构即电网调度机构。也就是电网的发电、供电、用电运行组织、指挥、指导和协调中心。
电网调度机构是电网运行组织、指挥、指导和协调机构。各级调度机构分别由本级电网经营企业直接领导。调度机构既是生产运行单位，又是电网经营企业的职能机构，代表本级电网经营企业在电网运行中行使调度权。
各级调度机构在电网调度业务活动中是上、下级关系。下级调度机构必须服从上级调度机构的调度。
凡并入电网的各发电、供电、用电单位，必须服从地调的统一调度管理，遵守调度纪律。各级调度机构按照分工在其调度管理范围内实施电网调度管理。
电网调度机构管理的任务：
电网调度管理的任务是组织、指挥、指导和协调电网的运行，保证实现下列基本要求：
1、按最大范围优化配置资源的原则，实现优化调度，充分发挥电网的发、输、供电设备能力，最大限度地满足社会和人民生活用电的需要；
2、按照电网的客观规律和有关规定使电网连续、稳定、正常运行，使电能质量（频率、电压和谐波分量等）指标符合国家规定的标准；
3、按照“公平、公正、公开”的原则，依有关合同或协议，保护发电、供电、用电等各方的合法权益。按电力市场调度规则，组织电力市场运营。
4、根据本电网的实际情况，充分合理利用一次能源，使全电网在供电成本最低或者发电能源消耗率及网损率最小的条件下运行。

⑤ 电力调度是什么意思

电力调度简单地说就是根据电力负荷的变动，对电网的潮流进行管理的一项工作。它涉及了许多的专业术语和专业知识，一句话不可能解释清楚。

⑥ 微电网日前优化调度的允许弃风弃光是什么意思

微电网（Micro-Grid）也译为微网，是一种新型网络结构，是一组微电源、负荷、储能系统和控制装置构成的系统单元。微电网是一个能够实现自我控制、保护和管理的自治系统，既可以与外部电网并网运行，也可以孤立运行。微电网是相对传统大电网的一个概念，是指多个分布式电源及其相关负载按照一定的拓扑结构组成的网络，并通过静态开关关联至常规电网。 开发和延伸微电网能够充分促进分布式电源与可再生能源的大规模接入，实现对负荷多种能源形式的高可靠供给，是实现主动式配电网的一种有效方式，是传统电网向智能电网过渡。
智能电网（smart power grids），就是电网的智能化，也被称为“电网2.0”，它是建立在集成的、高速双向通信网络的基础上，通过先进的传感和测量技术、先进的设备技术、先进的控制方法以及先进的决策支持系统技术的应用，实现电网的可靠、安全、经济、高效、环境友好和使用安全的目标，其主要特征包括自愈、激励和包括用户、抵御攻击、提供满足21世纪用户需求的电能质量、容许各种不同发电形式的接入、启动电力市场以及资产的优化高效运行。
两个都是电力系统专业的新概念。都与新能源技术的大规模应用有关，因为传统电网无法大量消纳光伏、光热、风电等新能源电力，所以才提出以上技术，特别是前者。智能电网最先由米国提出，是一些有信息技术产业背景（）的议员在忽悠。

⑦ 求一个遗传算法进行电力系统优化调度 代码

发一份自编的MATLAB遗传算法代码，用简单遗传算法(Simple Genetic Algorithm or Standard Genetic Algorithm ，SGA)求取函数最大值，初版编写于7年前上学期间，当时是MATLAB 5.x，在算法运行效率方面做了修改，主要是采用矩阵操作减少了循环。

遗传算法为群体优化算法，也就是从多个初始解开始进行优化，每个解称为一个染色体，各染色体之间通过竞争、合作、单独变异，不断进化。

优化时先要将实际问题转换到遗传空间，就是把实际问题的解用染色体表示，称为编码，反过程为解码，因为优化后要进行评价，所以要返回问题空间，故要进行解码。SGA采用二进制编码，染色体就是二进制位串，每一位可称为一个基因；解码时应注意将染色体解码到问题可行域内。

遗传算法模拟“适者生存，优胜劣汰”的进化机制，染色体适应生存环境的能力用适应度函数衡量。对于优化问题，适应度函数由目标函数变换而来。一般遗传算法求解最大值问题，如果是最小值问题，则通过取倒数或者加负号处理。SGA要求适应度函数>0，对于<0的问题，要通过加一个足够大的正数来解决。这样，适应度函数值大的染色体生存能力强。

遗传算法有三个进化算子：选择（复制）、交叉和变异。

SGA中，选择采用轮盘赌方法，也就是将染色体分布在一个圆盘上，每个染色体占据一定的扇形区域，扇形区域的面积大小和染色体的适应度大小成正比。如果轮盘中心装一个可以转动的指针的话，旋转指针，指针停下来时会指向某一个区域，则该区域对应的染色体被选中。显然适应度高的染色体由于所占的扇形区域大，因此被选中的几率高，可能被选中多次，而适应度低的可能一次也选不中，从而被淘汰。算法实现时采用随机数方法，先将每个染色体的适应度除以所有染色体适应度的和，再累加，使他们根据适应度的大小分布于0-1之间，适应度大的占的区域大，然后随机生成一个0-1之间的随机数，随机数落到哪个区域，对应的染色体就被选中。重复操作，选出群体规模规定数目的染色体。这个操作就是“优胜劣汰，适者生存”，但没有产生新个体。

交叉模拟有性繁殖，由两个染色体共同作用产生后代，SGA采用单点交叉。由于SGA为二进制编码，所以染色体为二进制位串，随机生成一个小于位串长度的随机整数，交换两个染色体该点后的那部分位串。参与交叉的染色体是轮盘赌选出来的个体，并且还要根据选择概率来确定是否进行交叉（生成0-1之间随机数，看随机数是否小于规定的交叉概率），否则直接进入变异操作。这个操作是产生新个体的主要方法，不过基因都来自父辈个体。

变异采用位点变异，对于二进制位串，0变为1，1变为0就是变异。采用概率确定变异位，对每一位生成一个0-1之间的随机数，看是否小于规定的变异概率，小于的变异，否则保持原状。这个操作能够使个体不同于父辈而具有自己独立的特征基因，主要用于跳出局部极值。

遗传算法认为生物由低级到高级进化，后代比前一代强，但实际操作中可能有退化现象，所以采用最佳个体保留法，也就是曾经出现的最好个体，一定要保证生存下来，使后代至少不差于前一代。大致有两种类型，一种是把出现的最优个体单独保存，最后输出，不影响原来的进化过程；一种是将最优个体保存入子群，也进行选择、交叉、变异，这样能充分利用模式，但也可能导致过早收敛。

由于是基本遗传算法，所以优化能力一般，解决简单问题尚可，高维、复杂问题就需要进行改进了。

下面为代码。函数最大值为3905.9262，此时两个参数均为-2.0480，有时会出现局部极值，此时一个参数为-2.0480，一个为2.0480。算法中变异概率pm=0.05，交叉概率pc=0.8。如果不采用最优模式保留，结果会更丰富些，也就是算法最后不一定收敛于极值点，当然局部收敛现象也会有所减少，但最终寻得的解不一定是本次执行中曾找到过的最好解。

(注：一位网名为mosquitee的朋友提醒我：原代码的变异点位置有问题。检验后发现是将最初的循环实现方法改为矩阵实现方法时为了最优去掉mm的第N行所致，导致变异点位置发生了变化，现做了修改，修改部分加了颜色标记，非常感谢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;%设定数据显示格式
%初始化参数
T=100;%仿真代数
N=80;% 群体规模
pm=0.05;pc=0.8;%交叉变异概率
umax=2.048;umin=-2.048;%参数取值范围
L=10;%单个参数字串长度，总编码长度2L
bval=round(rand(N,2*L));%初始种群
bestv=-inf;%最优适应度初值
%迭代开始
for ii=1:T
%解码，计算适应度
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; %目标函数
xx(i,:)=[x1,x2];
end
func=obj;%目标函数转换为适应度函数
p=func./sum(func);
q=cumsum(p);%累加
[fmax,indmax]=max(func);%求当代最佳个体
if fmax>=bestv
bestv=fmax;%到目前为止最优适应度值
bvalxx=bval(indmax,:);%到目前为止最佳位串
optxx=xx(indmax,:);%到目前为止最优参数
end
Bfit1(ii)=bestv; % 存储每代的最优适应度
%%%%遗传操作开始
%轮盘赌选择
for i=1:(N-1)
r=rand;
tmp=find(r<=q);
newbval(i,:)=bval(tmp(1),:);
end
newbval(N,:)=bvalxx;%最优保留
bval=newbval;
%单点交叉
for i=1:2:(N-1)
cc=rand;
if cc<pc
point=ceil(rand*(2*L-1));%取得一个1到2L-1的整数
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;%最优保留
%位点变异
mm=rand(N,2*L)<pm;%N行
mm(N,:)=zeros(1,2*L);%最后一行不变异，强制赋0
bval(mm)=1-bval(mm);
end

%输出
plot(Bfit1);% 绘制最优适应度进化曲线
bestv %输出最优适应度值
optxx %输出最优参数