CN109190851A - 一种基于改进鱼群算法的独立风光储微网的优化配置算法 - Google Patents

Abstract

本发明公开了一种基于改进鱼群算法的独立风光储微网的优化配置算法，利用粒子飞行速度v、惯性权重w来改进人工鱼群算法的觅食行为、聚群行为、追尾行为。利用粒子群算法对适应度值最好的精英人工鱼群进行更新，在人工鱼群算法中，找到适应度值最好的人工鱼，利用粒子群算法进行更新，直到满足要求的精度或迭代次数。此时迭代求得的位置显然比初始点更优，但要求得当前最好解需进行多次迭代。从整体效率来考虑，利用精度和迭代次数一起构成改进的粒子群人工鱼群算法的终止条件。本发明应用上述算法对独立风光储微网进行配置，独立型微网优化配置是以微源正常运行和满足各约束条件，达到微电网的总运行成本最低及最低的新能源发电弃用率的要求。

Description

一种基于改进鱼群算法的独立风光储微网的优化配置算法

技术领域

本发明涉及改进鱼群算法应用领域，具体地说，特别涉及到一种基于改进鱼群算法的独立风光储微网的优化配置算法。

背景技术

受鱼群社会属性和社会行为的启发，李晓磊提出的一类基于动物行为的群体智能优化算法——人工鱼群算法。每一个人工鱼是人工生命的一个自治体，通过自身的感官行为来感知外界环境，觅食、聚群、追尾和随机行为是鱼在自然界进化过程中的基本社会属性和基本行为。

当前，大规模分布式风力和光伏并网和消纳困难，弃电严重。在风光伏微网中配置合理容量的储能，是促进分布式风电和光伏就地消纳、提高风电和光伏系统效能的有效方式，随着电力市场的完善和通讯、计量设施的普遍应用，用户侧参与需求响应带来的负荷已经成为微网投资规划运行中不可忽视的因素。因此，研究多时段需求响应对风光伏微网储能配置的影响，对风光伏微网商业化投资决策有着重要的意义。现阶段，由于储能器件价格昂贵，储能容量的配置不宜过大，过大的储能容量将显著增加投资成本；储能容量的配置也不能过小，过小的储能容量无法保证系统在离网时段的稳定运行，也不利于促进光伏的消纳。

另外，基本人工鱼群算法针对高维度极值函数寻优后期收敛速度慢，精度有待于提高。基本人工鱼群算法在应用于独立风光储微网的优化配置中，存在配置不合理的问题，对分布式能源的发电利用率以及总配置成本达不到既定要求。

发明内容

本发明的目的在于：

1)提出一种改进人工鱼群算法(PSO-AFSA),该算法基于精英策略改进，利用人工鱼群算法(AFSA)的良好全局收敛性、快速跳出局部极值的能力和粒子群算法(PSO)信息策略、局部快速收敛性及简单操作易实现等优点。

2)通过仿真分析，验证PSO-AFSA算法比鱼群算法具有更快的收敛速度和更高的寻优精度，且性能稳定。

3)将其应用于风光储独立微网的配置中，合理地得到最佳配置结果。

本发明所解决的技术问题可以采用以下技术方案来实现：

一种基于改进鱼群算法的独立风光储微网的优化配置算法，包括如下步骤：

I、改进人工鱼群算法

步骤1)随机初始化条N人工鱼，给定视野Visual，步长step，拥挤度因子δ，最大重复次数tryNumber和最大迭代次数MAXGEN；

步骤2)计算每条人工鱼的适应度值Y，选出精英鱼群X_elite，并寻找适应度值最好的人工鱼，记录在公告板BestY；

步骤3)对精英人工鱼利用粒子群算法PSO更新；

步骤4)对除去精英鱼群的其他人工鱼进行聚群算子AF_swarm和追尾算子AF_follow，选择适应度值Y改善较大的作为更新结果；

步骤5)比较更新后人工鱼适应度值Y，若更新后适应度值Y没有得到改善，则利用觅食算子AF_prey对该人工鱼进行更新；

步骤6)将更新后人工鱼适应度值与公告板BestY进行比较，若较好，则将其赋予公告板；

步骤7)当所有人工鱼进行更新完成之后，判断是否达到终止条件；终止条件为达到最大迭代次数或达到目标精度；如果满足终止条件，则输出输出状态栏最优人工鱼状态bestx和最优适应度函数值BestY，算法终止，否则，转步骤3)；

II、改进人工鱼群算法应用于微网配置

1)在各微源安装数量限定的范围内随机取得一个整数值作为该微源的数量，即初始化了一种微网容量配置的组合X，X＝(X_wind,X_sun,X_battery)，按照上述的方法得到N组不同的微源容量组合作为初始种群P_t,t＝0；

2)对P_t中的各微源组合进行仿真测试，计算各微源组合的年平均综合成本 F_year和新能源发电弃用率F_waste：根据春、夏、秋、冬四个季节典型日的风、光、及负荷数据计算每个微源组合下每个小时光伏和风机的发电情况及储能电池荷电状态进行计算，若某个小时内微网系统不满足功率平衡约束或是储能电池荷电状态约束，则将该组合的F_year和F_waste设为最大值F_{year_m}和F_{watse_m}；F_{waste_m}设为1， F_{year_m}则根据各微源数量限定范围内的最大值求得；若该微源组合都各典型日功率平衡约束及储能电池荷电状态约束，求得F_year，求得F_waste；

3)对2)求得的P_t各微源组合的F_year和F_waste进行非劣解排序，得到各组合的pareto阶数rank和距离distance，求得各组合的伪适应值V_fake，根据V_fake的大小选取最优的elite_size个个体组成精英集P_elite，其余的个体作为普通集合 P_norm；

4)对P_elite中的各微源组合进行粒子群算法PSO模块更新，采用非劣解排序，以得到的伪适应值为标准搜索最优解，得到更新后的种群；

5)对P_norm进行鱼群模块更新，进一步求得种群F_waste和F_year，根据这两个值算出各个体的多目标函数归一值，根据该值搜索最优解，得到更新后的种群；

6)将P_elite和P_norm合并，生成整个集合P_t+1；

7)对更新完后的种群P_t+1进行非劣解排序，根据非劣排序得到的pareto 前沿阶数和距离求得各个体的伪适应值，选择伪适应值最小的elite_size个粒子，组成新的精英集即本轮精英集更新完毕。

8)如果当前进化代数t小于最大进化代数T，则t＝t+1，执行步骤2)，否则输出种群P_t+1中的所有个体。

与现有技术相比，本发明的有益效果在于：

本发明结合粒子群算法飞行速度v，惯性权重w，将粒子群算法引入人工鱼群算法。速度v使人工鱼具备像粒子样的飞行功能，加速了算法的收敛速度；惯性权重w，使人工鱼具备了承接先前速度的能力，且较大的惯性权值有利于在可行解域内进行全局搜索；而一个较小的惯性权值则更有利于在可行解域内进行局部搜索，更好地平衡该算法的全局搜索与局部搜索的一个能力；精英鱼群的不断更新体现的是群体内的交流，避免人工鱼盲目的搜索，朝着最优位置状态搜索，加速了算法的收敛速度。

本发明利用粒子飞行速度v、惯性权重w来改进人工鱼群算法的觅食行为、聚群行为、追尾行为。利用粒子群算法对适应度值最好的精英人工鱼群进行更新，在人工鱼群算法中，找到适应度值最好的人工鱼，利用粒子群算法进行更新，直到满足要求的精度或迭代次数。此时迭代求得的位置显然比初始点更优，但要求得当前最好解需进行多次迭代。从整体效率来考虑，利用精度和迭代次数一起构成改进的粒子群人工鱼群算法的终止条件。

本发明应用上述算法对独立风光储微网进行配置，独立型微网优化配置是以微源正常运行和满足各约束条件，达到微电网的总运行成本最低及最低的新能源发电弃用率的要求。

附图说明

图1为本发明所述的sphere函数进化曲线的示意图。

图2为本发明所述的Ackley函数进化曲线的示意图。

图3为本发明所述的Griewank函数进化曲线的示意图。

图4a为本发明所述的立型微网多目标优化配置结果的优化目标图。

图4b为本发明所述的立型微网多目标优化配置结果的配置方案图。

图5为本发明所述的独立风光储微网的优化配置算法的流程图。

具体实施方式

为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。

参见图5，本发明所述的一种基于改进鱼群算法的独立风光储微网的优化配置算法，对改进人工鱼群算法和将改进人工鱼群算法应用于微网配置两个步骤。

I、改进人工鱼群算法

步骤1)随机初始化条N人工鱼，给定视野Visual，步长step，拥挤度因子δ，最大重复次数tryNumber和最大迭代次数MAXGEN；

步骤2)计算每条人工鱼的适应度值Y，选出精英鱼群X_elite，并寻找适应度值最好的人工鱼，记录在公告板BestY；

步骤3)对精英人工鱼利用粒子群算法PSO更新；

步骤4)对除去精英鱼群的其他人工鱼进行聚群算子AF_swarm和追尾算子 AF_follow，选择适应度值Y改善较大的作为更新结果；

步骤5)比较更新后人工鱼适应度值Y，若更新后适应度值Y没有得到改善，则利用觅食算子AF_prey对该人工鱼进行更新；

步骤6)将更新后人工鱼适应度值与公告板BestY进行比较，若较好，则将其赋予公告板；

步骤7)当所有人工鱼进行更新完成之后，判断是否达到终止条件；终止条件为达到最大迭代次数或达到目标精度；如果满足终止条件，则输出输出状态。

对sphere、Ackley、Griewank函数分别用鱼群算法、改进人工鱼群算法各自独立进行20次实验，如表1和图1、图2和图3所示。

函数	项目	AFSA算法	PSO-AFSA算法
				Sphere	Best	3.31982	0.03184
	Average	6.08299	0.03633
				Ackley	Best	19.74291	0.22454
	Average	20.03277	0.50502
				Griewank	Best	0.23775	0.00348
	Average	0.25504	0.00465

表1三种算法仿真数据结果

由图1可以看出，对目标函数sphere，PSO-AFSA大概迭代100次前效果明显，但是之后效果不佳；AFSA收敛速度太慢。由图2可看出，对目标函数Ackley， AFSA的效果不理想，算法早熟，全局寻优能力不理想。由图3可以看出，对目标函数Griewank，PSO-AFSA大概迭代100次前效果明显，但是之后效果不佳。结合以上分析可以看出AFSA寻优精度远小于PSO-AFSA。虽然在二维三维求解上可以达到预期目标，AFSA在高维度的表现不佳，而PSO-AFSA在高维度寻优上迭代速度快，寻优精度高，有很大优势。

独立型微网优化配置，以微源正常运行和满足各约束条件，达到微电网的总运行成本最低及最低的新能源发电弃用率的要求。

利用图5流程步骤对微网进行优化配置，相关参数设置如下：光伏系统的功率降额因数设为0.9，风机的切入风速＝3m/s，切出风速＝24m/s，额定风速＝12m/s，储能电池最小荷电状态，储能电池最大荷电状态，仿真初始设定储能电池荷电状态为55％，分布式电源裕度(此时可计算出光伏最大配置数量为4961，风机最大配置数量为41，蓄电池最大配置数量为41，进一步由可计算得到＝67.7 万美元)，群体大小N＝50，精英集大小＝5，迭代次数设为20次。对独立微网优化配置模型进行仿真，结果如图4a和图4b。

经过多轮迭代优化，种群中的点聚集重合于图中少数几个点(所有点均符合约束条件)，图4(b)中点的微源配置方案如表2。

表2微源配置信息

由表2可见组合1的年平均总成本最低为24.4万美元，但其新能源发电的弃用率又是最高达10.8％，组合2总成本最高达31万美元，但其新能源发电弃用率最低，为0％，其他三个组合介于两者之间，应按实际情况对两个优化目标要求来选择不同的配置方案。

II、将改进人工鱼群算法应用于微网配置

1)在各微源安装数量限定的范围内随机取得一个整数值作为该微源的数量，即初始化了一种微网容量配置的组合X，X＝(X_wind,X_sun,X_battery)，按照这样的方法得到N组不同的微源容量组合作为初始种群P_t,当前进化代数t＝0。

2)对P_t中的各微源组合进行仿真测试，计算各微源组合的年平均综合成本 F_year和新能源发电弃用率F_waste：根据春、夏、秋、冬四个季节典型日的风、光、及负荷数据计算每个微源组合下每个小时光伏和风机的发电情况及储能电池荷电状态进行计算，若某个小时内微网系统不满足功率平衡约束或是储能电池荷电状态约束，则将该组合的F_year和F_waste设为最大值F_{year_m}和F_{watse_m}(F_{waste_m}设为1，F_{year_m}则根据各微源数量限定范围内的最大值)；若该微源组合都各典型日功率平衡约束及储能电池荷电状态约束，则求得F_year，求得F_waste。

3)对2)求得的P_t各微源组合的F_year和F_waste进行非劣解排序，得到各组合的pareto阶数rank和距离distance，求得各组合的伪适应值V_fake，根据V_fake的大小选取最优的elite_size个个体组成精英集P_elite，其余的个体作为普通集合 P_norm。

4)对P_elite中的各微源组合进行PSO模块更新，采用非劣解排序，以得到的伪适应值为标准搜索最优解，得到更新后的种群。

5)对P_norm进行鱼群模块更新，进一步求得种群F_waste和F_year，根据这两个值算出各个体的多目标函数归一值，根据该值搜索最优解，得到更新后的种群；

6)将P_elite和P_norm合并，生成整个集合P_t+1；

7)对更新完后的种群P_t+1进行非劣解排序，根据非劣排序得到的pareto 前沿阶数和距离求得各个体的伪适应值，选择伪适应值最小的elite_size个粒子，组成新的精英集即本轮精英集更新完毕。

8)如果当前进化代数t小于最大进化代数T，则t＝t+1，执行步骤二，否则输出种群P_t+1中的所有个体。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (1)

1.一种基于改进鱼群算法的独立风光储微网的优化配置算法，其特征在于，包括如下步骤：

I、改进人工鱼群算法

步骤1)随机初始化条N人工鱼，给定视野Visual，步长step，拥挤度因子δ，最大重复次数tryNumber和最大迭代次数MAXGEN；

步骤2)计算每条人工鱼的适应度值Y，选出精英鱼群X_elite，并寻找适应度值最好的人工鱼，记录在公告板BestY；

步骤3)对精英人工鱼利用粒子群算法PSO更新；

步骤4)对除去精英鱼群的其他人工鱼进行聚群算子AF_swarm和追尾算子AF_follow，选择适应度值Y改善较大的作为更新结果；

步骤5)比较更新后人工鱼适应度值Y，若更新后适应度值Y没有得到改善，则利用觅食算子AF_prey对该人工鱼进行更新；

步骤6)将更新后人工鱼适应度值与公告板BestY进行比较，若较好，则将其赋予公告板；

步骤7)当所有人工鱼进行更新完成之后，判断是否达到终止条件；终止条件为达到最大迭代次数或达到目标精度；如果满足终止条件，则输出输出状态栏最优人工鱼状态bestx和最优适应度函数值BestY，算法终止，否则，转步骤3)；

II、改进人工鱼群算法应用于微网配置

1)在各微源安装数量限定的范围内随机取得一个整数值作为该微源的数量，即初始化了一种微网容量配置的组合X，X＝(X_wind,X_sun,X_battery)，按照上述的方法得到N组不同的微源容量组合作为初始种群P_t,t＝0；

2)对P_t中的各微源组合进行仿真测试，计算各微源组合的年平均综合成本F_year和新能源发电弃用率F_waste：根据春、夏、秋、冬四个季节典型日的风、光、及负荷数据计算每个微源组合下每个小时光伏和风机的发电情况及储能电池荷电状态进行计算，若某个小时内微网系统不满足功率平衡约束或是储能电池荷电状态约束，则将该组合的F_year和F_waste设为最大值F_{year_m}和F_{watse_m}；F_{waste_m}设为1，F_{year_m}则根据各微源数量限定范围内的最大值求得；若该微源组合都各典型日功率平衡约束及储能电池荷电状态约束，求得F_year，求得F_waste；

3)对2)求得的P_t各微源组合的F_year和F_waste进行非劣解排序，得到各组合的pareto阶数rank和距离distance，求得各组合的伪适应值V_fake，根据V_fake的大小选取最优的elite_size个个体组成精英集P_elite，其余的个体作为普通集合P_norm；

4)对P_elite中的各微源组合进行粒子群算法PSO模块更新，采用非劣解排序，以得到的伪适应值为标准搜索最优解，得到更新后的种群；

5)对P_norm进行鱼群模块更新，进一步求得种群F_waste和F_year，根据这两个值算出各个体的多目标函数归一值，根据该值搜索最优解，得到更新后的种群；

6)将P_elite和P_norm合并，生成整个集合P_t+1；

7)对更新完后的种群P_t+1进行非劣解排序，根据非劣排序得到的pareto前沿阶数和距离求得各个体的伪适应值，选择伪适应值最小的elite_size个粒子，组成新的精英集即本轮精英集更新完毕；

8)如果当前进化代数t小于最大进化代数T，则t＝t+1，执行步骤2)，否则输出种群P_t+1中的所有个体。