声明
摘要
1.1 研究背景与意义
1.2 国内外研究现状
1.2.1 电力系统的机组组合与经济调度问题以及相应的求解方法
1.2.2 含风电-火电电力系统调度研究现状
1.2.3 EV集群参与电网经济调度的研究现状
1.3 本文主要研究工作
第2章 风力发电功率预测
2.1 风力发电功率预测研究目的与意义
2.2 风力发电功率预测的分类及方法
2.2.1 风力发电功率预测分类
2.2.2 风力发电功率预测方法
2.3 基于BP神经网络的风电功率短期预测
2.3.1 BP神经网络算法原理
2.3.2 基于BP神经网络的风电功率短期预测
2.3.3 BP神经网络的不足和改进方法
2.4 基于粒子群算法-BP神经网络的风电功率短期预测
2.4.1 粒子群算法原理
2.4.2 基本粒子群算法及算法流程
2.4.3 PSO算法对BP神经网络的优化
2.4.4 基于PSO-BP神经网络的风电功率短期预测
2.5 本章小结
第3章 电动汽车充电功率预测
3.1 不同类型EV的充电时间需求以及充电方式的选择分析
3.1.1 FV充电方式分析
3.1.2 EV充电时间需求分析
3.2 电动汽车充电功率的建模
3.2.1 电动公交车无序充电的概率模型
3.2.2 电动出租车无序充电的概率模型
3.2.3 电动公共事业车辆无序充电的概率模型
3.2.4 电动私家车无序充电的概率模型
3.2.5 区域内规模化EV的无序充电负荷
3.3 本章小结
第4章 单目标量子进化算法在机组组合问题中的应用
4.1 量子进化算法的提出及基本概念
4.2 量子进化算法的基本原理
4.2.1 编码
4.2.2 算法进化机理
4.3 风电-火电联合调度的问题描述
4.3.1 目标函数
4.3.2 约束条件
4.3.3 风电功率接受度的计算模型
4.4 算法求解过程
4.4.1 外层算法描述(求解机组状态)
4.4.2 主要变量的粒子化
4.4.3 内层算法(负荷分配)
4.4.4 粒子群体间的运算
4.5 应用量子进化算法作为外层算法求解机组组合问题的优点
4.5.1 求解0-1规划问题的优越性
4.5.2 改进惩罚函数带来的不确定性
4.6 算例分析
4.7 本章小结
第5章 规模化电动汽车充电与风-火发电系统的协同调度
5.1 将双层粒子群算法改造为多目标算法的原理与方法
5.1.1 多目标粒子群算法的原理
5.1.2 快速非支配排序遗传算法与BOPSO的融合
5.2 含风电-火电系统的经济调度模型
5.2.1 目标函数
5.2.2 约束条件
5.3 算例分析
5.3.1 算例描述
5.3.2 分时电价与电价弹性以及智能充电方式下调度方案的目标函数及约束条件
5.3.3 结果分析
5.4 本章小结
6.1 研究工作总结
6.2 不足与展望
附录
参考文献
致谢
攻读学位期间发表学术论文和参加科研情况