吉林大学学报(工学版) ›› 2023, Vol. 53 ›› Issue (5): 1443-1448.doi: 10.13229/j.cnki.jdxbgxb.20220167

• 计算机科学与技术 • 上一篇    

基于大数据与粒子群的清洁能源协同优化调度方法

刘洋1,2(),刘吉成1()   

  1. 1.华北电力大学 经济与管理学院，北京 102206
    2.内蒙古师范大学 计算机科学技术学院，呼和浩特 010022
  • 收稿日期:2022-02-23 出版日期:2023-05-01 发布日期:2023-05-25
  • 通讯作者: 刘吉成 E-mail:liuyang202200@yeah.net;ljc29@163.com
  • 作者简介:刘洋（1977-），女，副教授，博士.研究方向：大数据分析，信息管理与决策分析，能源互联网理论与应用.E-mail：liuyang202200@yeah.net
  • 基金资助:
    国家自然科学基金项目(71771085)

Collaborative optimization scheduling method of clean energy based on big data and particle swarm optimization

Yang LIU1,2(),Ji-cheng LIU1()   

  1. 1.School of Economics and Management，North China Electric Power University，Beijing 102206，China
    2.College of Computer Science and Technology，Inner Mongolia Normal University，Huhot 010022，China
  • Received:2022-02-23 Online:2023-05-01 Published:2023-05-25
  • Contact: Ji-cheng LIU E-mail:liuyang202200@yeah.net;ljc29@163.com

RICH HTML

 5   

PDF (PC)

253

摘要：

为解决清洁能源系统运行节点因存在延迟调度，而影响清洁能源协同优化调度效果的问题。为避免该问题，本文提出基于大数据技术与粒子群算法的清洁能源协同优化调度方法。根据清洁能源协同运行特点，利用大数据技术分析作业参数，并设计运行节点延迟调度策略，然后构建清洁能源系统输出功率调度模型。将最大运营利益和最小弃能成本作为优化目标，构建清洁能源协同优化调度模型，再采用粒子群算法进行求解，得到最优调度方案。实验结果表明：本文方法可以获取较优的清洁能源协同调度结果。

关键词: 大数据技术, 粒子群算法, 清洁能源, 协同优化调度

Abstract:

If there is a delay in the operation node of the clean energy system， it will affect the effect of collaborative optimization scheduling of clean energy. To avoid this problem， a collaborative optimization scheduling method of clean energy based on big data technology and particle swarm optimization algorithm is proposed. According to the operation characteristics of the clean energy system， the big data technology is used to analyze the operation parameters，the operation node delay scheduling strategy is desgined， and then the output power scheduling model is constructed. Taking the maximum operating benefit and the minimum energy discarding cost as the optimization objectives， a collaborative optimization scheduling model of clean energy system is constructed， and then the particle swarm optimization algorithm is used to solve the model to obtain the optimal scheduling scheme. The experimental results show that this method can obtain better results of clean energy collaborative scheduling.

Key words: big data technology, particle swarm algorithm, clean energy, collaborative optimal scheduling

中图分类号: 

  • TM734

图1

清洁能源的互补结构图"

图2

基于粒子群算法的清洁能源协同优化调度模型求解"

表1

抽水蓄能调度模式相关数据"

参 数风蓄风火（弃风）风蓄水火（弃风）
火电开机台数/台46
火电发电量/（MW·h）31 52432 584
火电启停次数/次12
火电出力标准差/MW253265

表2

不同调度模式优化后结果"

调度模式火电开机台数/台火电发电量 /（MW·h）火电启停次数/次火电出力标准差/MW
风蓄风火（弃风）335 6240201
风蓄水火（弃风）437 5240222

图3

典型月份风水火优化调度结果分析"

图4

不同方法的清洁能源协同优化调度结果对比分析"

图5

不同抽水蓄能比例下各方法的水资源利用率测试结果对比分析"

1 马苗苗, 刘立成, 王鑫, 等. 风光发电与新能源汽车协同优化调度策略[J]. 吉林大学学报: 工学版, 2022, 52(9): 2096-2106.
Ma Miao-miao, Liu Li-cheng, Wang Xin, et al. Coordinated optimal dispatch strategy of wind and photovoltaic power generation and new energy vehicles[J].Journal of Jilin University(Engineering and Technology Edition), 2022, 52(9): 2096-2106.
2 刘芳芳, 吕林, 刘友波, 等. 高渗透清洁能源的城市高压配电网转供调度策略[J]. 电力系统保护与控制, 2020, 48(11): 1-9.
Liu Fang-fang, Lin Lyu, Liu You-bo, et al. Transfer scheduling strategy for urban high-voltage distribution network with highly-penetrated renewable energy[J]. Power System Protection and Control, 2020, 48(11): 1-9.
3 金新峰, 廖胜利, 刘战伟, 等. 考虑风电置信区间的水风火短期优化调度方法[J]. 水力发电学报, 2020, 39(9): 33-42.
Jin Xin-feng, Liao Sheng-li, Liu Zhan-wei, et al. Short-term optimal operation method of water, wind and thermal power considering wind power confidence intervals[J]. Journal of Hydroelectric Engineering, 2020, 39(9): 33-42.
4 杨明通, 周步祥, 董申, 等. 区块链支持下的微网电力市场设计及调度优化[J]. 电力自动化设备, 2019, 39(12): 155-161.
Yang Ming-tong, Zhou Bu-xiang, Dong Shen, et al. Design and dispatch optimization of microgrid electricity market supported by blockchain[J]. Electric Power Automation Equipment, 2019, 39(12):155-161.
5 文达, 崔双喜, 樊小朝, 等. 考虑源荷互动的主动配电网两层优化调度[J]. 计算机工程与应用, 2021, 57(10): 259-265.
Wen Da, Cui Shuang-xi, Fan Xiao-chao, et al. Two-level optimal dispatching of active distribution network considering source-load interaction[J]. Computer Engineering and Applicationss, 2021, 57(10): 259-265.
6 廖玮霖, 程杉, 尚冬冬, 等. 多策略融合的粒子群优化算法[J]. 计算机工程与应用, 2021, 57(1): 69-76.
Liao Wei-lin, Cheng Shan, Shang Dong-dong, et al. Particle swarm optimization algorithm integrated with multiple-strategies[J]. Computer Engineering and Applications, 2021, 57(1): 69-76.
7 赵志欣, 唐慧, 刘仁云. 基于马尔可夫过程的风电系统可靠性分析[J]. 吉林大学学报: 工学版, 2021, 51(2): 697-703.
Zhao Zhi-xin, Tang Hui, Liu Ren-yun. Reliability analysis of wind power generation system based on Markov process[J]. Journal of Jilin University(Engineering and Technology Edition), 2021, 51(2): 697-703.
8 白青峰. 可再生能源发电与核电协调调度及发展[J]. 中国电力, 2020, 53(2): 105-111.
Bai Qing-feng. Coordinative dispatch and development of renewable energy and nuclear power generation [J]. Electric Power, 2020, 53(2): 105-111.
9 程海花, 寇宇, 周琳, 等. 面向清洁能源消纳的流域型风光水多能互补基地协同优化调度模式与机制[J]. 电力自动化设备, 2019, 39(10): 61-70.
Cheng Hai-hua, Kou Yu, Zhou Lin, et al. Collaborative optimal dispatching mode and mechanism of watershed-type wind-solar-water multi-energy complementary bases for clean energy absorption[J]. Electric Power Automation Equipment, 2019, 39(10): 61-70.
10 魏齐鸣, 杨太华, 高余奇. 基于混合潮流算法的多能源互补调度仿真研究[J]. 计算机仿真, 2021, 38(11): 77-81.
Wei Qi-ming, Yang Tai-hua, Gao Yu-qi. Simulation research on multi-energy complementary dispatch based on hybrid power flow algorithm[J]. Computer Simulation, 2021, 38(11): 77-81.
11 牛焕娜, 钱立, 杨璐, 等. 计及灵活性辅助服务费用的配电网灵活型资源优化配置[J]. 电力自动化设备, 2021, 41(10): 52-59.
Niu Huan-na, Qian Li, Yang Lu, et al. Optimal allocation of flexible resources in distribution network considering cost of flexible auxiliary services [J]. Electric Power Automation Equipment, 2021, 41(10): 52-59.
12 耿焕同, 周山胜, 陈哲, 等. 基于分解的预测型动态多目标粒子群优化算法[J]. 控制与决策, 2019, 34(6): 1307-1318.
Geng Huan-tong, Zhou Shan-sheng, Chen Zhe, et al. Composition-based predictive dynamic multi-objective particle swarm optimization algorithm[J]. Control and Decision, 2019, 34(6): 1307-1318.
[1] 吴剑,许斌. 基于CEEMDAN理论的堆积层滑坡位移区间预测模型及仿真[J]. 吉林大学学报(工学版), 2023, 53(2): 562-568.
[2] 管仁初,贺宝润,梁艳春,时小虎. 基于亲缘关系选择的粒子群优化算法[J]. 吉林大学学报(工学版), 2022, 52(8): 1842-1849.
[3] 陈昭明,邹劲松,王伟,石明全. 改进粒子群神经网络融合有限元分析的铸锻双控动态成型多目标优化[J]. 吉林大学学报(工学版), 2022, 52(7): 1524-1533.
[4] 邢海燕,刘超,徐成,陈玉环,王松弘泽. 基于粒子群优化模糊C焊缝等级磁记忆定量识别模型[J]. 吉林大学学报(工学版), 2022, 52(3): 525-532.
[5] 罗巍,卢博,陈菲,马腾. 基于PSO-SVM及时序环节的数控刀架故障诊断方法[J]. 吉林大学学报(工学版), 2022, 52(2): 392-399.
[6] 李翠玉,胡雅梦,康亚伟,张德良. 应用自适应遗传算法的电动汽车充放电协同调度[J]. 吉林大学学报(工学版), 2022, 52(11): 2508-2513.
[7] 杜常清,曹锡良,何彪,任卫群. 基于混合粒子群算法的双离合变速器参数优化设计[J]. 吉林大学学报(工学版), 2020, 50(5): 1556-1564.
[8] 马芳武,韩丽,吴量,李金杭,杨龙帆. 基于遗传与粒子群算法的隔振平台减振性能优化[J]. 吉林大学学报(工学版), 2020, 50(5): 1608-1616.
[9] 臧国帅, 孙立军. 基于惰性弯沉点的刚性下卧层深度设置方法[J]. 吉林大学学报(工学版), 2018, 48(4): 1037-1044.
[10] 于繁华, 刘仁云, 张义民, 张晓丽, 孙秋成. 机械零部件动态可靠性稳健优化设计的群智能算法[J]. 吉林大学学报(工学版), 2017, 47(6): 1903-1908.
[11] 孙亮, 徐海浪, 葛宏伟. 保证全局收敛的随机粒子群新算法[J]. 吉林大学学报(工学版), 2017, 47(2): 615-623.
[12] 于繁华, 刘仁云, 张义民, 孙秋成, 张晓丽. 机械结构动态可靠性设计的智能计算方法[J]. 吉林大学学报(工学版), 2016, 46(4): 1269-1275.
[13] 张静, 刘向东. 混沌粒子群算法优化最小二乘支持向量机的混凝土强度预测[J]. 吉林大学学报(工学版), 2016, 46(4): 1097-1102.
[14] 季彦婕, 陈晓实, 王炜, 胡波. 基于小波变换和粒子群小波神经网络组合模型的有效停车泊位短时预测[J]. 吉林大学学报(工学版), 2016, 46(2): 399-405.
[15] 高明亮， 于生宝， 郑建波， 徐畅， 张堃， 栾卉. PSBP在高密度电阻率法二维反演中的应用[J]. 吉林大学学报(工学版), 2015, 45(6): 2026-2033.
Viewed
Full text


Abstract

Cited
  Shared   
  Discussed   
No Suggested Reading articles found!
版权所有 © 《吉林大学学报(工学版)》编辑部
地址：长春市人民大街5988号　电话：+86-431-85095297　传真：+86-431-85094074　E-mail: xbgxb@jlu.edu.cn
本系统由北京玛格泰克科技发展有限公司设计开发