💥💥💞💞欢迎来到本博客❤️❤️💥💥
🏆博主优势:🌞🌞🌞博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。
⛳️座右铭:行百里者,半于九十。
📋📋📋本文目录如下:🎁🎁🎁
目录
💥1 概述
文献:
目前常用的多目标优化算法有强度帕累托进化算法[6-7]、多目标微分进化算法[8-10]、多目标遗传算法[11-12]等。但上述几种算法在求解过程中计算效率较低,收敛速度较慢。粒子群算法[13](particle swarmoptimizer,PSO)采用高效的群集并行地对非劣解进行搜索,并且每次迭代过程中可以产生多个非劣解;同时粒子群算法具有记忆功能,粒子通过跟踪自身历史最优解和种群全局最优解来进行搜索,这就使粒子群算法在寻优过程中具有很好的收敛性以及全局搜索能力。因此采用粒子群算法来进行储能选址定容问题的求解。
储能选址定容优化模型考虑了系统节点电压水平、网络损耗和储能系统总容量。为了解决这一问题,提出了改进的多目标粒子群算法(IMOPSO),该算法根据粒子与种群最优粒子的距离来指导惯性权重的取值,使得各粒子的惯性权重可以自适应调整。同时,采用动态密集距离排序来更新非劣解集并指导种群全局最优解的选取,在保持解集规模的同时使解的分布更均匀。为避免决策者偏好对最终结果的影响,采用基于信息熵的序数偏好法从最优Pareto解集中选取储能的最优接入方案。在IEEE33节点配电系统的仿真验证中,结果表明该方法在储能选址定容问题求解中具有很好的收敛性以及全局搜索能力。
储能选址定容在智能算法中的实现过程并不复杂。首先进行变量定义部分,主要涉及储能选址的位置、容量和储能出力。这两部分变量作为优化变量,通过设置最大值和最小值确定变量上下限范围。下一步关键是约束处理部分。对于储能soc约束,在单目标实现过程中可以采用罚函数的表达方式。然而,在多目标求解过程中最好采用绝对约束表达方式,以确保多目标的帕累托解集不会将不满足约束条件的目标值筛选进入解集中,从而导致解集的不准确。最后,设置目标值时,对于配电网节点系统,需注意潮流计算方式的选择和储能出力对系统影响,然后设置不同的目标值。在设置清楚上述内容后,采用智能算法进行求解就变得简单了。
📚2 运行结果
部分代码:
%% ******种群位置与速度初始化*******% X1 = round(X1limit(1, 1) + (X1limit(1, 2) - X1limit(1, 1)) * rand(n, 2)); %初始种群的位置(节点位置)四舍五入取整 X2 = X2limit(1, 1)+(X2limit(1, 2)-X2limit(1, 1)) * rand(n, 2); %初始种群的位置(容量大小) X = [X1,X2]; %初始种群的位置 V1 = V1limit(1, 2) * (2*rand(n, 2)-1); %初始种群的速度 V2 = V2limit(1, 2) * (2*rand(n, 2)-1); %初始种群的速度 V=[V1,V2]; % 初始种群的速度 %*****24小时储能出力变量初始化*********% E1=zeros(n,T+1); %储能1各时段的剩余容量,即SOC E2=zeros(n,T+1); %储能2各时段的容量 E1(:,1)=0.5*X(:,3); %初始容量设为50%总容量【拟采用40%】 E2(:,1)=0.5*X(:,4); x1limit = [-0.5, 0.5]; % 设置储能有功出力约束 xmax=[Xmax,x1limit(1,2)*ones(1,48)]; xmin=[Xmin,x1limit(1,1)*ones(1,48)]; dx=xmax-xmin; v1limit = [-1, 1]; % 设置储能有功出力约束 vmax=dx; %******变量维数(总共52维)解释:位置1,位置2,额定容量1,额定容量2,储能1的24小时出力,储能2的24小时出力 x=[X,bsxfun(@times,x1limit(1,2)*ones(1,48),(2*rand(n, 48)-1))]; v=[V,bsxfun(@times,v1limit(1,2)*ones(1,48),(2*rand(n, 48)-1))];
🎉3 参考文献
文章中一些内容引自网络,会注明出处或引用为参考文献,难免有未尽之处,如有不妥,请随时联系删除。
[1]吴小刚,刘宗歧,田立亭等.基于改进多目标粒子群算法的配电网储能选址定容[J].电网技术,2014,38(12):3405-3411.DOI:10.13335/j.1000-3673.pst.2014.12.021.