遗传算法在微网中的应用.docVIP

  1. 1、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。。
  2. 2、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  3. 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
  4. 4、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
  5. 5、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们
  6. 6、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
  7. 7、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
遗传算法在微网中的应用.doc

遗传算法在微网中的应用   摘要:微网系统容量的优化配置直接影响能源的梯级综合利用效率、供电可靠性和电能质量;微网的优化运行可以起到节能减排、减少运行成本、增加运行可靠性等。由于微网优化配置以及运行均是复杂的优化问题。遗传算法简单、易操作、需求低、并行和全局性的特性而得到广泛的应用。   关键词:微网;优化配置;优化运行;遗传算法   随着社会经济的高速发展和能源消耗的日益加剧,传统的电力工业面临着一系列的严峻挑战:能源匮乏、系统老化、环境污染、能源利用率低以及用户对可靠性要求越来越高。针对以上问题,微网以其灵活、高效、经济、环保以及能源多样等优势成为发展电力行业、解决能源问题的主要战略手段[1]。   微网经济运行的目标是要以较低的发电成本确保微源发电与用电负荷之间的平衡,从而实时调度各微源的出力,同时能够实现供电可靠性最高和环境污染最小,真正地实现环境友好型供电。针对以上求解问题均是复杂优化问题,可以采用不同智能算法,例如动态规划法、神经网络、遗传算法、粒子群算法等,而遗传算法具有随机的搜索能力、并行行、简单、随机性、可扩展等优点,应用较为广泛。   1微网的优化目标函数   1.1微网优化配置的目标函数   关于微网中分布式能源选址、定容方面的研究均是从潮流的角度出发,并针对微网中减少网损[2]、提高供电可靠性[3]、改善电压、电流质量[4]等角度出发;当然考虑到微网的成本也可以从效益方面入手,通过考虑分布式电源的投资成本、卖电收益、环境改善,以及网损、电压质量、可靠性和延缓网络更新等方面,来构造分布式电源的独立发   电商和电力公司的相关收益目标函数。   1.2微网优化运行的目标函数   针对已有微网模型条件下,基于微网运行的成本、可靠性、网损等角度进行考虑确定相应目标函数。   一般微网经济调度的目标应是发电成本最小用户停电损失最小环境效益最好经济收益最大的多目标函数。   1.3综合   虽然微网的优化配置以及微网运行是两个不相关内容,但是两者目标函数的确定有一定的相关程度。因为均是针对微网中包含的各类分布式电源进行电能质量还是微网成本、效益等方面的优化。   2约束条件   2.1微网的优化配置的约束条件   微网的优化配置针对所要求目标函数不同,所采用的约束条件亦有一定的差别。考虑的约束条件为等式约束、不等式约束。等式约束主要考虑微网中有功功率平衡;不等式约束为微网的可靠性供电程度、各分布式电源的出力特性、各个节点电压、电流状况等。当然,当选取的约束条件越多,考虑的因素越多,计算的复杂程度就增多。   2.2微网的优化运行的约束条件   微网经济运行优化要在满足安全性 可靠性和供电质量等的约束条件下,对分布式发电供能系统的各微源进行优化调度。   同样约束条件包括等式约束条件和不等式约束条件。   2.3综合   微网中优化配置或优化运行均是从大致相同的等式、不等式约束进行优化。等式约束从有功功率平衡;不等式约束从各节点状况或者各分布式电源出力状况等。   3 遗传算法   微网的优化属于动态多维的非线性函数优化问题,对其求解有两个方面的要求: 一是寻找全局最优点;二是有较高的收敛速度。针对经济调度中存在的各种各样的问题,许多智能算法不断涌现,如动态规划法神经网络、遗传算法、粒子群算法等。其中动态规划法编程简单,但状态离散点数目多,易造成维数灾;神经网络具有学习能力,便于知识的提取,其处理能力能够满足实时的需要,但该方法需要大量的训练样本和很长的训练时间才能保证调度的效果;粒子群优化算法具有简单通用鲁棒性强实现容易精度高收敛快等优点,但和粒子群算法一样同样存在容易陷入局部最优搜索精度不高等问题;遗传算法在机组组合优化调度等领域中都有成功的应用。   3.1遗传算法的基本思想   遗传算法在淘汰旧群体选择新群体时,主要用到了生物进化理论中所说的“适者生存”的概念。   1)确定优化问题的约束条件以及决策变量。   2)建立该优化问题的数学模型。   3)在遗传算法中,针对一个具体的问题有很多不同的编码方法,一般采用二进制编码的方法。把遗传算法中的解通过二进制编码的方法编成一个二进制串,而决定二进制串长度的则是该遗传算法对解的精度的要求。   4)适应度评价是模拟生物界中的“适者生存”法则的,是整个遗传算法中最重要的部分。选择一个好的适应度函数可以快速、准确的寻找到最优解。在适应度评价时,最核心的内容就是找到合适的适应度函数。   5)设计遗传算子以及确定交叉、变异的过程。   (1)遗传过程使用轮盘选择算子,轮盘选择算子的基本步骤:①计算各个染色体的适应度值;②计算它们的适应度值的和;③计算各个染色体被选择的概率;④根据它们的概率随机抽取出新

文档评论(0)

lmother_lt + 关注
实名认证
文档贡献者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档