导读:本文包含了电力经济环境系统论文开题报告文献综述及选题提纲参考文献，主要关键词:船舶电力系统,温室气体排放,联合调度,MOPSO
电力经济环境系统论文文献综述
李素素,王锡淮[1]（2019）在《基于粒子群优化的船舶电力系统经济环境调度》一文中研究指出本文提出了将温室气体的排放作为单独目标的船舶电力系统调度。为了同时实现运行成本低和温室气体排放量少两个目标,采用船舶航行调度和发电联合调度。利用多目标粒子群算法(MOPSO)在满足船舶航行及发电机约束的同时,对发电机组的功率、启停状态以及船舶速度进行优化调度,同时实现经济目标和环境目标。粒子群算法(PSO)由于易实现和收敛速度快等优点,可应用于解决多目标优化问题。通过用MOPSO进行全局寻优找到一组完整的Pareto折中解,使两个目标尽可能的达到最优。(本文来源于《船电技术》期刊2019年11期）
刘隽楷[2]（2019）在《含多类型电源的电力系统综合环境经济调度》一文中研究指出随着能源危机和环境污染问题的日益凸显,使得以风能和太阳能为主的绿色可再生能源在全世界范围内迅速发展,而两者所具有的天然互补性,使得风光联合系统成为了充分利用这两种可再生源的重要手段,但其大规模并网的同时也给电力系统带来了极大的负面影响。为此,国内外学者为解决其问题,对储能装置加入风光电场的联合系统调度做了大量的研究;于是,风光储联合系统的动态环境经济调度也成为了研究热点之一,对联合系统调度问题的深入研究,有利于满足国家“节能减排”的宏观战略要求。在此背景下,本文以风光储联合系统的动态环境经济调度为框架,在解决风光新能源的不确定因素上和模型研究求解上做了一定工作,并对此模型和求解方法展开研究,其主要内容归纳如下:(1)考虑了风光电源的随机性,以系统综合运行成本和污染气体排放量为优化目标,并综合考虑到功率平衡、电源出力、机组爬坡、储能装置等约束,并以机会约束的形式保障系统的正、负旋转备用,最终建立了基于机会约束规划的风光储联合系统动态环境经济调度模型。(2)针对较复杂的机会约束规划模型,本文首先使用传统的多目标求解方法将多目标函数转化为单目标函数,随后采用基于蒙特卡洛随机模拟技术的粒子群算法求解联合系统DEED模型,并详细对比了不同置信度下的调度方案和是否计及储能装置的调度方案,结果验证了随机模拟粒子群算法的性能,以及所建模型的正确性和有效性;同时结果表明风光电场引入储能装置能有效的解决弃风/弃光问题。(3)在所建联合系统模型的基础上,采用多目标粒子群算法对其进行求解,得到其Pareto最优解集,并通过分级构成类混合策略博弈理论确定最优折衷解,随后详细比较了是否计及储能装置的Pareto最优前沿以及传统多目标解法和多目标算法的折衷解,算例结果表明多目标智能算法求出的最优解集比传统多目标解法下的单一解更能全面的、客观的评价多目标解的优劣性,且结果表明风电、光伏绿色可再生能源与储能装置的协调调度有助于电网的绿色经济节能减排。(本文来源于《贵州大学》期刊2019-06-01）
陈艺璇[3]（2019）在《考虑碳足迹与污染物气象扩散的电力系统最优环境经济调度》一文中研究指出全球变暖与大气污染是威胁人类生存的两大环境问题。火电厂在发电过程中会产生大量的温室气体及大气污染物,前者主要以CO_2为代表,后者则以PM2.5、SO_2、NO_2的影响最为严重。作为碳排放和空气污染物排放的最重要主体之一,电力工业在低碳、低大气污染发展中担任着重要的角色。近年来,电力系统最优环境经济调度技术因其无需增加多余建设成本、收效较快而引起学者的广泛关注。大气中温室气体的含量直接决定着大气对长波辐射的吸收能力和对地表的加热能力,因此从排放量的角度对CO_2进行控制确实能够有效缓解全球变暖。然而,对于PM2.5、SO_2、NO_2这类大气污染物而言,衡量其危害程度的真正标准应为地面浓度而非排放量。因此,本文聚焦于低碳控制和低大气污染控制的本质区别,分别采用总量控制和浓度控制的方法来缓解电力工业所带来的全球变暖和大气污染问题。在考虑碳减排的最优环境经济调度方面,用户侧的电力需求、输配电侧的电力损耗直接决定着发电侧的发电量和碳排放量。虽从表面上来看碳排放产生于发电侧,但电力工业的碳减排责任应分担于发输配用等各个环节。因此,本文提出一种考虑了碳足迹追踪的电网侧碳-能复合流优化模型,以填补目前对电网侧碳减排责任的研究空白,激发电网侧的碳减排潜力。在考虑降低大气污染物地面浓度的最优环境经济调度方面,污染物从被排放到扩散至地面,经历了复杂的物理、化学变化,并受到气象条件的强烈影响。此外,环境本身对火电厂造成的大气污染也存在着一定的耐受裕度。因此,本文提出一种考虑气象扩散的有功优化调度模型,通过分析不同火电厂污染物的气象扩散情况,识别出危害最大的火电厂并进行精准管控,同时结合不同地点的大气污染耐受情况,在不同的气象条件下做出灵活的电力调度决策,从而在经济性、环境性中找到最佳折中点,在真正意义上助力经济的可持续发展。为实现上述模型的快速、高质量求解,本文进一步在强化学习、迁移学习和高维多目标遗传算法等方面展开研究,提出相匹配的求解算法,并通过标准模型算例及工程算例证明所述方法的可行性,最终为实际电网的环境经济调度提出了多种全新的调度策略,具有一定的理论价值和工程意义。(本文来源于《华南理工大学》期刊2019-05-04）
王利杰[4]（2019）在《计及EV和PV接入电力系统环境经济调度研究》一文中研究指出随着大规模电动汽车(Electric vehicle,EV)和光伏(Photovoltaic,PV)接入电力系统,使现有电力系统能源结构、运行方式和相关调度方法复杂化,同时兼顾环境和经济效益的环境经济调度已成为电力系统优化调度领域的研究热点。目前,环境经济调度依赖多目标智能算法求解调度模型生成调度计划,其中多目标粒子群算法(MOPSO)是应用较为广泛的求解算法,但由于其自身快速收敛的特性,求解时易陷入局部最优,导致求解结果不理想。本文针对计及电动汽车和光伏接入的电力系统环境经济优化调度问题开展研究,以燃料成本最低和污染气体排放最少为调度目标,建立了考虑电动汽车、光伏、火力发电叁者协同作用的环境经济调度模型,通过改进MOPSO算法对调度模型进行了求解,得出了光伏、电动汽车、火电机组各单元的输出功率,制定调度计划。第一,本文对含电动汽车和光伏接入电力系统优化调度的问题进行分析,找出两者参与调度对电力系统的影响及目前研究还存在的不足,为后文针对电力系统环境经济调度问题开展研究奠定理论基础。第二,分析含电动汽车和光伏接入电力系统结构及电动汽车和光伏发电的特性,研究各发电单元对电力系统调度的影响机理。以系统总的燃料成本最小和污染气体排放量最低为调度目标,同时考虑车主出行需求、功率平衡等约束条件,构建电力系统环境经济调度模型。第叁,针对传统的MOPSO算法在求解调度模型时易陷入局部最优,导致求解结果不理想,影响调度的经济性和环保性。本文采用非线性自适应惯性权重改进MOPSO算法,提高其搜索能力,同时采用基于拥挤距离的淘汰策略修正外部档案,提高解集多样性。基于多个标准测试函数算例对改进后的MOPSO和原始算法进行Pareto解集的实用性和有效性对比分析。第四,以IEEE-30节点模型为例,将某地区光伏电站和负荷运行数据带入电力系统环境经济调度模型,详细给出模型的参数设置及求解步骤,并分别采用改进MOPSO算法和MOPSO算法对模型进行求解,改进MOPSO算法得到的调度计划相比于MOPSO算法使燃料成本降低了2.50%,污染气体排放降低了2.57%,并采用不同场景验证了所提方法的优越性。(本文来源于《湖北工业大学》期刊2019-05-01）
翟帅华[5]（2019）在《基于布谷鸟算法的含风电场电力系统环境经济调度研究》一文中研究指出随着能源的不断枯竭和环境污染问题日益突出,开发与利用可再生的绿色能源已经成为解决能源短缺及环境污染的有效手段。目前,风力发电是技术最成熟、最具发展前景的可再生能源发电方式。但由于风力发电的输出功率具有随机性、间歇性特点,在并网时会给电力系统的安全运行带来较大影响,为了有效充分的利用风电、减少污染气体排放、降低系统运行成本,研究合理的电力系统调度方案及有效的求解方法具有重要意义。本文根据风力发电的特点和系统优化运行要求,对含风电场的电力系统环境经济调度模型及求解方法进行研究。首先,对布谷鸟算法进行了分析和研究,针对布谷鸟算法在搜索后期存在的求解精度低以及容易陷入局部极小值等缺点,采用动态搜索步长和发现概率对算法进行了改进,并通过3个标准函数进行仿真验证,仿真结果表明,改进后的布谷鸟算法全局搜索能力更强、收敛速度更快。其次,在深入了解国内外研究的基础上,建立了计及机组阀点效应的含风电场的电力系统经济调度模型。该模型以火电机组发电的经济成本作为调度的目标函数,针对风力发电输出功率的不确定性,利用正负旋转备用容量进行约束处理,同时考虑系统的功率平衡约束、机组出力上下限约束、爬坡约束。详细说明了约束条件的处理方法及改进布谷鸟算法对调度模型的求解过程,并通过算例仿真结果验证了模型的合理性及算法的有效性。最后,在含风电场的电力系统经济调度模型的基础上,综合考虑火电机组的环境性和经济性,建立含风电场电力系统环境经济调度模型,模型以火电机组发电成本和污染气体排放量为调度目标,对于火电机组发电成本和污染气体排放量多目标优化问题,采用虚拟解理论将多目标优化问题转化为单目标优化问题,以降低求解多目标问题的复杂性,通过算例仿真结果验证了模型的合理性。(本文来源于《宁夏大学》期刊2019-04-01）
刘隽楷,袁旭峰,赵靓玮,余梦天,高志鹏[6]（2018）在《基于Pareto最优的电力系统环境经济调度》一文中研究指出针对纯粹依据成本指标或是污染指标进行发电调度的不合理性,以系统总发电成本和污染气体排放量作为目标函数,通过使用λ乘子,用于环境/经济调度模型中的多目标优化问题,并且通过Pareto最优前沿集求解最优λ乘子,同时还提出了含污染气体排放量约束情况下的λ乘子求解方法,可以协调系统进行经济调度和环境调度之间的矛盾,在考虑电力系统经济性的同时可以定量减少污染气体排放量。最后,用IEEE 5机14节点系统以及IEEE 6机30节点系统进行仿真验证,表明了所提模型和求解方法的正确性和有效性。(本文来源于《电力科学与工程》期刊2018年08期）
刘世宇,王孜航,杨德友[7]（2018）在《多元宇宙算法及其在电力系统环境经济调度的应用》一文中研究指出提出了一种求解电力系统环境经济调度的新方法,该方法利用宇宙空间在随机创建过程中高膨胀率的物体随虫洞在空间移动物体的规律,通过对白洞和黑洞间随机传送物体来实现最优搜索.算法具有运算速度快,收敛性强,适用于高维计算等特点.以总燃料费用最低和总污染排放最少为多目标建立环境经济调度模型,通过PFF定价原则对多目标规划问题进行转化.最后,通过发电厂传统10机组和40机组算例进行仿真.结果表明:本文所提算法具有经济性和有效性.(本文来源于《东北电力大学学报》期刊2018年04期）
左丽霞,余愿,孙惠娟[8]（2018）在《电力系统动态环境经济调度模型研究》一文中研究指出电力系统动态环境经济调度在节能减排中具有举足轻重的地位,以经济成本和环境成本最小为优化目标建立模型,其经济成本计及了常规火电机组阀点效应引起的能耗成本。在等式约束条件中考虑了网损,采用解方程的方法来处理模型中复杂的约束关系。针对微分进化算法多样性低导致的早熟问题,采用改进型微分进化算法求解模型,并在保证原有计算精度的前提下,利用Matlab并行计算的能力增强微分进化算法,提高算法的计算效率。经典10机组系统算例仿真结果表明,与传统微分进化算法相比,改进后的微分进化算法不仅具有更佳的全局搜索能力,还可以为决策者提供更快、更优的选择。(本文来源于《华东交通大学学报》期刊2018年03期）
刘世宇[9]（2018）在《考虑储能资源的风电富集电力系统环境经济调度方法研究》一文中研究指出随着化石能源的日益匮乏和温室效应的突显,风能以其低碳环保、低成本、可再生等优势逐渐成为能源替代时期的重要组成部分,然而,风电的不确定性、反调峰性等特点对电力系统运行安全性和供电可靠性提出新的要求。随着风电并网容量不断增大,风电消纳问题和化石能源高效利用形式逐渐成为电力行业最为关注的问题。储能资源以其自身的可调度性,可以对能量实现“削峰填谷”等特点,为促进风电消纳提供了新的思路。本文围绕储能资源参与风电富集电力系统环境经济调度问题展开研究,研究思路如下:从化石能源高效利用角度出发,结合实际发电投运过程中应满足的功率平衡约束和容量极限约束,以考虑阀点效应的发电总成本和污染气体排放最低为多目标。引入帕累托最优策略,运用精英保留操作、拥挤距离计算操作和累积非支配排序操作对优化算法进行改进,建立了基于改进多目标优化算法的电力系统环境经济调度模型,并对常规调度模型进行模拟,仿真结果证实了调度计划的合理性。针对大规模风电并网运行特点,对风功率进行描述和处理,首先对风功率自身不确定性、反调峰性进行理论分析,并通过风功率预测模型的平均值狭窄区域对风功率进行有功限制,介绍考虑风功率特性和弃风约束的调度建模方法。另外,从风电场弃风产生原因,风电调峰空间的利用形式和弃风电量通过储能方式利用等多角度出发,理论上验证了调用储能资源促进风电消纳的可行性。在分析风电调峰空间原理基础上,将储能电站融入环境经济调度中,风功率分别采用风功率随机出力和利用风电通用概率分布预测数据的平均值狭窄区域进行有功出力。联合优化调度风电、火电和储能电站叁种发电资源,建立了综合考虑风电生产和能耗环境效益成本、储能初始、维护成本和污染气体排放的风电富集电力系统环境经济调度模型。运用帕累托最优策略对不同优化目标进行权衡,设计含风电富集电力调度场景和调用储能资源提升风电调峰空间的不同应用场景,仿真结果验证了模型的有效性。本课题受吉林省发展和改革委员会“提高可再生能源利用率热-电联合调控市场化运行模拟平台建设”项目资助,是储能资源消纳风电技术的进一步研究,通过在电力调度行业中不断完善,必将为风电并网的可靠性研究提供有效的分析工具。(本文来源于《东北电力大学》期刊2018-06-01）
简俊威,吴杰康,莫超,黄强,吴长元[10]（2018）在《风电与电动汽车协同并网的电力系统动态环境经济多目标模糊优化调度模型》一文中研究指出为协调电动汽车与风电并网给电力系统经济调度带来的影响,构建了考虑插电式混合电动汽车入网的含风电场电力系统环境经济多目标调度模型。而风力发电和负荷的不确定性因素必将增加调度难度,为此应用模糊理论实现风电与电动汽车协同并网的模糊化建模,利用满意度指标将确定性环境与经济的多目标问题转化为单目标优化问题,在采用线性下降搜寻思路和考虑边界约束的粒子信息分享方法对传统粒子群算法进行改进的基础上,采用改进粒子群优化(particle swarm optimization,PSO)算法求解所提出的动态环境与经济调度模型,从电网运行和车主需求角度出发,考虑了系统旋转备用和车主日常出行等制约关系。经过仿真以及对不同场景下多个调度方案的对比分析,验证了模型的合理性和以及改进PSO算法对解决此类动态调度问题的优越性。(本文来源于《广东电力》期刊2018年04期）
电力经济环境系统论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
随着能源危机和环境污染问题的日益凸显,使得以风能和太阳能为主的绿色可再生能源在全世界范围内迅速发展,而两者所具有的天然互补性,使得风光联合系统成为了充分利用这两种可再生源的重要手段,但其大规模并网的同时也给电力系统带来了极大的负面影响。为此,国内外学者为解决其问题,对储能装置加入风光电场的联合系统调度做了大量的研究;于是,风光储联合系统的动态环境经济调度也成为了研究热点之一,对联合系统调度问题的深入研究,有利于满足国家“节能减排”的宏观战略要求。在此背景下,本文以风光储联合系统的动态环境经济调度为框架,在解决风光新能源的不确定因素上和模型研究求解上做了一定工作,并对此模型和求解方法展开研究,其主要内容归纳如下:(1)考虑了风光电源的随机性,以系统综合运行成本和污染气体排放量为优化目标,并综合考虑到功率平衡、电源出力、机组爬坡、储能装置等约束,并以机会约束的形式保障系统的正、负旋转备用,最终建立了基于机会约束规划的风光储联合系统动态环境经济调度模型。(2)针对较复杂的机会约束规划模型,本文首先使用传统的多目标求解方法将多目标函数转化为单目标函数,随后采用基于蒙特卡洛随机模拟技术的粒子群算法求解联合系统DEED模型,并详细对比了不同置信度下的调度方案和是否计及储能装置的调度方案,结果验证了随机模拟粒子群算法的性能,以及所建模型的正确性和有效性;同时结果表明风光电场引入储能装置能有效的解决弃风/弃光问题。(3)在所建联合系统模型的基础上,采用多目标粒子群算法对其进行求解,得到其Pareto最优解集,并通过分级构成类混合策略博弈理论确定最优折衷解,随后详细比较了是否计及储能装置的Pareto最优前沿以及传统多目标解法和多目标算法的折衷解,算例结果表明多目标智能算法求出的最优解集比传统多目标解法下的单一解更能全面的、客观的评价多目标解的优劣性,且结果表明风电、光伏绿色可再生能源与储能装置的协调调度有助于电网的绿色经济节能减排。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
电力经济环境系统论文参考文献
[1].李素素,王锡淮.基于粒子群优化的船舶电力系统经济环境调度[J].船电技术.2019
[2].刘隽楷.含多类型电源的电力系统综合环境经济调度[D].贵州大学.2019
[3].陈艺璇.考虑碳足迹与污染物气象扩散的电力系统最优环境经济调度[D].华南理工大学.2019
[4].王利杰.计及EV和PV接入电力系统环境经济调度研究[D].湖北工业大学.2019
[5].翟帅华.基于布谷鸟算法的含风电场电力系统环境经济调度研究[D].宁夏大学.2019
[6].刘隽楷,袁旭峰,赵靓玮,余梦天,高志鹏.基于Pareto最优的电力系统环境经济调度[J].电力科学与工程.2018
[7].刘世宇,王孜航,杨德友.多元宇宙算法及其在电力系统环境经济调度的应用[J].东北电力大学学报.2018
[8].左丽霞,余愿,孙惠娟.电力系统动态环境经济调度模型研究[J].华东交通大学学报.2018
[9].刘世宇.考虑储能资源的风电富集电力系统环境经济调度方法研究[D].东北电力大学.2018
[10].简俊威,吴杰康,莫超,黄强,吴长元.风电与电动汽车协同并网的电力系统动态环境经济多目标模糊优化调度模型[J].广东电力.2018