現(xiàn)代大規(guī)模電網(wǎng)經(jīng)濟調(diào)度算法與實踐

目錄前言第1章緒論11.1電力系統(tǒng)經(jīng)濟調(diào)度概述11.2電力系統(tǒng)經(jīng)濟調(diào)度的主要內(nèi)容31.2.1含可再生能源的電力系統(tǒng)經(jīng)濟調(diào)度31.2.2含電動汽車的電力系統(tǒng)經(jīng)濟調(diào)度41.3電力系統(tǒng)經(jīng)濟調(diào)度解決方案51.3.1單目標(biāo)優(yōu)化算法51.3.2多目標(biāo)優(yōu)化算法71.3.3基于數(shù)據(jù)驅(qū)動的優(yōu)化算法9第2章電力系統(tǒng)經(jīng)濟調(diào)度建模112.1電力系統(tǒng)靜態(tài)經(jīng)濟調(diào)度112.1.1電力系統(tǒng)單目標(biāo)靜態(tài)經(jīng)濟調(diào)度建模112.1.2電力系統(tǒng)多目標(biāo)靜態(tài)經(jīng)濟調(diào)度建模132.2電力系統(tǒng)動態(tài)經(jīng)濟調(diào)度142.2.1電力系統(tǒng)單目標(biāo)動態(tài)經(jīng)濟調(diào)度建模142.2.2電力系統(tǒng)多目標(biāo)動態(tài)經(jīng)濟調(diào)度建模152.3數(shù)據(jù)驅(qū)動建模方法15本章小結(jié)16復(fù)習(xí)思考題16第3章含隨機風(fēng)能的電力系統(tǒng)經(jīng)濟調(diào)度研究173.1蝙蝠算法概述183.2單目標(biāo)蝙蝠算法改進(jìn)方法193.2.1原有單目標(biāo)蝙蝠算法的不足193.2.2蝙蝠算法解的多樣性提升策略203.2.3蝙蝠算法探索能力提升策略203.3改進(jìn)的單目標(biāo)蝙蝠算法及其性能評價223.3.1改進(jìn)的單目標(biāo)蝙蝠算法RCBA223.3.2改進(jìn)的單目標(biāo)蝙蝠算法性能243.4仿真實例273.4.1隨機風(fēng)能的數(shù)學(xué)模型描述273.4.2電力系統(tǒng)經(jīng)濟調(diào)度數(shù)學(xué)模型283.4.3含隨機風(fēng)能的經(jīng)濟調(diào)度求解過程293.4.4算例分析32本章小結(jié)40復(fù)習(xí)思考題41第4章大規(guī)模電力系統(tǒng)多目標(biāo)經(jīng)濟/排放調(diào)度研究424.1大規(guī)模多目標(biāo)經(jīng)濟/排放調(diào)度424.2多目標(biāo)蝙蝠算法能力提升策略434.2.1帕累托最優(yōu)的幾個基本概念434.2.2現(xiàn)有多目標(biāo)蝙蝠算法的不足434.2.3帶外部檔案的精英非支配排序法444.2.4完全學(xué)習(xí)策略及其改進(jìn)方法464.3改進(jìn)的多目標(biāo)蝙蝠算法及其性能評價474.3.1改進(jìn)的多目標(biāo)蝙蝠算法MHBA474.3.2MHBA性能評價484.4多目標(biāo)優(yōu)化的電力系統(tǒng)經(jīng)濟/排放調(diào)度524.4.1經(jīng)濟/排放調(diào)度數(shù)學(xué)模型524.4.2多目標(biāo)經(jīng)濟/排放調(diào)度求解過程534.4.3算例分析58本章小結(jié)77復(fù)習(xí)思考題77第5章含電動汽車V2G/G2V功能的動態(tài)經(jīng)濟/排放調(diào)度研究785.1電動汽車調(diào)度對電網(wǎng)的沖擊785.2含電動汽車的動態(tài)經(jīng)濟/排放調(diào)度數(shù)學(xué)模型805.2.1目標(biāo)函數(shù)805.2.2約束條件805.3使用電動汽車進(jìn)行削峰填谷的策略研究815.3.1電動汽車調(diào)度策略825.3.2考慮電動汽車削峰填谷時的動態(tài)經(jīng)濟/排放調(diào)度求解835.4仿真與分析845.4.1算例分析1855.4.2算例分析2865.4.3算例分析3895.4.4算例分析494本章小結(jié)96復(fù)習(xí)思考題96第6章融合代理模型的自適應(yīng)蝙蝠算法求解大規(guī)模經(jīng)濟調(diào)度研究976.1代理模型輔助大規(guī)模經(jīng)濟調(diào)度問題求解的可行性976.2高維度大規(guī)模經(jīng)濟調(diào)度數(shù)學(xué)模型996.2.1目標(biāo)函數(shù)996.2.2約束條件996.3相關(guān)技術(shù)996.3.1進(jìn)化狀態(tài)評估法996.3.2廣義回歸神經(jīng)網(wǎng)絡(luò)1006.3.3自適應(yīng)最小化預(yù)測策略1006.4代理輔助的自適應(yīng)蝙蝠算法1016.4.1基于SAMP采樣策略的改進(jìn)GRNN1026.4.2自適應(yīng)蝙蝠算法1046.5仿真結(jié)果1066.5.1案例1：IEEE 118節(jié)點系統(tǒng)1066.5.2案例2：IEEE 300節(jié)點系統(tǒng)1096.5.3案例3：IEEE 40機組系統(tǒng)112本章小結(jié)115復(fù)習(xí)思考題115第7章多區(qū)域聯(lián)合經(jīng)濟/排放調(diào)度問題的數(shù)據(jù)驅(qū)動優(yōu)化方法研究1167.1使用數(shù)據(jù)驅(qū)動方法解決MACEED問題的必要性1167.2傳統(tǒng)MACEED和大規(guī)模高維度MACEED數(shù)學(xué)模型的區(qū)別1187.2.1傳統(tǒng)的MACEED問題描述1187.2.2大規(guī)模高維度MACEED問題描述1207.3數(shù)據(jù)驅(qū)動代理輔助方案的具體架構(gòu)1207.3.1基于特征工程的SVR數(shù)據(jù)驅(qū)動代理模型的建模方法1217.3.2快速的知識蒸餾技術(shù)輔助在線代理模型的建模1237.3.3應(yīng)用改進(jìn)的NSGAⅢ執(zhí)行MACEED優(yōu)化任務(wù)1257.4仿真結(jié)果1287.4.1案例1：帶有區(qū)域聯(lián)絡(luò)線容量約束的測試系統(tǒng)仿真1287.4.2案例2：帶有區(qū)域聯(lián)絡(luò)線容量約束和線損的測試系統(tǒng)仿真1317.4.3案例3：帶有所有約束條件的測試系統(tǒng)仿真1337.4.4案例4：帶有隨機風(fēng)能的測試系統(tǒng)仿真135本章小結(jié)137復(fù)習(xí)思考題138參考文獻(xiàn)139