CN109711631A - 一种改进粒子群算法的智能微电网优化调度方法 - Google Patents
一种改进粒子群算法的智能微电网优化调度方法 Download PDFInfo
- Publication number
- CN109711631A CN109711631A CN201811636991.7A CN201811636991A CN109711631A CN 109711631 A CN109711631 A CN 109711631A CN 201811636991 A CN201811636991 A CN 201811636991A CN 109711631 A CN109711631 A CN 109711631A
- Authority
- CN
- China
- Prior art keywords
- micro
- individual
- mutation
- particle
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000002245 particle Substances 0.000 title claims abstract description 31
- 238000005457 optimization Methods 0.000 title claims abstract description 14
- 230000035772 mutation Effects 0.000 claims abstract description 27
- 238000002922 simulated annealing Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 8
- 238000000137 annealing Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 3
- 102000005877 Peptide Initiation Factors Human genes 0.000 claims description 2
- 108010044843 Peptide Initiation Factors Proteins 0.000 claims description 2
- 230000006978 adaptation Effects 0.000 claims description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
Abstract
本发明涉及一种改进粒子群算法的智能微电网优化调度方法。针对微电网内可再生能源导致系统能量不确定性问题，本发明将退火、变异思想引入到PSO算法中，利用模拟退火算法的概率突跳特点对粒子群算法的全局搜索能力进行改善，同时，利用高斯变异算法对个体区域附近的局部区域进行重点搜索的特点对粒子群算法的精细搜索能力进行提高。本发明能够有效提高微电网运行的经济性与可靠性。
Description
技术领域
本发明属于微电网优化调度领域，涉及一种改进粒子群算法的智能微电网优化调度方法。
背景技术
随着社会环保意识和能源安全意识的提高，人们逐渐意识到传统电网固有的缺点。而智能微电网技术为各国构建绿色、安全、可持续的供电系统提供了新的解决方案。由于微电网内包含不可控的可再生能源，使得微电网系统内的能量具有严重的不确定性，因此，开展智能微电网系统的优化调度进行研究对于推进智能微电网项目的应用和发展具有关键支撑作用。
以往对微电网运行的研究主要集中在以风、光等发电单元组成的微电网系统，不考虑电动汽车的影响，而随着电动汽车的大量使用，用户无规则的使用行为导致微电网的优化调度发生了很大的改变，因此，针对目前微电网内可再生能源的不确定性，提供一种微电网安全、经济运行的微电网优化调度方法，成为微电网应用和发展过程中亟待解决的重要问题。
发明内容
本发明的目的是针对现有智能微电网运行调度方法存在的不足，提出了一种改进粒子群算法的智能微电网优化调度方法。
本发明解决技术问题所采取的技术方案为：
步骤一：对退火变异算法的基本参数进行设置，包括种群规模N、最大迭代次数it、两个学习因子的起始值C1s、C2s和终止值C1e、C2e、惯性权重的起始值ωs和终止值ωe，变异概率Pm。
步骤二：根据微电网内每个分布式电源出力的上下限，对种群内个体进行初始化。
步骤三：根据建立的微电网运行目标函数，计算每个粒子的适应度值，并记录个体最优与全局最优值。
步骤三：引入模拟退火算法，在每次迭代时，随机产生一个随机数，当某一粒子的突变概率大于这一随机数时，就将该粒子当前为止的最优解挑选出来，替换为种群速度更新公式中的全局最优解，从而改变种群的寻优方向。
步骤四：对原始PSO算法的速度和位置更新公式中的学习因子和惯性权重采用动态更新策略。
步骤五：利用模拟退火机制选出的最优个体和上述的动态更新策略对PSO算法的速度更新公式进行改进。
步骤六：对种群个体进行高斯变异。
步骤七：计算每个变异粒子的适应度值，并与历史个体最优和群体最优进行比较，更新群体最优值。
步骤八：如果迭代次数达到预设值或满足预设的条件，则停止迭代搜索，输出微电网内各分布式电源的输出功率；否则，转到步骤三继续寻优执行。
本发明的有益效果：本发明是基于退火算法和高斯变异的特点提出一种改进的粒子群优化调度方法，其能够有效跳出局部最优值，降低微电网运行的运行成本，获得最大经济效益。
附图说明
图1.方法关系图。
图2.方法流程图。
具体实施方式
以下结合附图对本发明作进一步说明。
如图1和图2所示，本发明方法具有是：
步骤一：对退火变异算法的基本参数进行设置，包括种群规模N、最大迭代次数it、两个学习因子的起始值C1s、C2s和终止值C1e、C2e、惯性权重的起始值ωs和终止值ωe，变异概率Pm等。
步骤二：根据微电网内每个分布式电源出力的上下限，对种群内个体进行初始化。
步骤三：根据建立的微电网运行目标函数，计算每个粒子的适应度值，并记录个体最优与全局最优值。
步骤三：引入模拟退火算法，在每次迭代时，都会随机产生一个随机数，当某一粒子的突变概率大于这一随机数时，就将该粒子当前为止的最优解挑选出来，替换为种群速度更新公式中的全局最优解，从而改变种群的寻优方向，使算法在最优解周围继续随机试探寻优，减小了算法陷入局部最优的概率。粒子的突变概率公式如下：
上式中，Pk为第k粒子的突变概率，N为种群规模，fpk为第k粒子的当前最佳适应值，fpg为种群当前的全局最优适应度值。T为温度，即突变概率控制参数。
步骤四：为提高算法的性能，对原始PSO算法的速度和位置更新公式中的学习因子和惯性权重采用动态更新，更新策略如下：
上式中，ωs、ωe为惯性权重ω的起始和终止权重，it为当前迭代次数，T为总的迭代次数。c1s、c1e和c2s、c2e分别为c1、c2参数的起始因子和终止因子。
步骤五：利用模拟退火机制选出的最优个体和步骤四的策略对PSO算法的速度更新公式进行改进，改进后公式如下：
式中，为第it次迭代从以突变概率Pk从种群中选出的个体最优值。
步骤六：接着对种群个体进行高斯变异。就是以一定的变异概率从种群中选出进行变异的个体，然后对选出的个体以符合高斯分布的概率对个体的某个基因进行随机改变，即可以重点对最优解附近区域进行随机搜索，加快算法找到最优解，提高粒子群算法的收敛能力。
高斯变异策略定义如下：
式中，G(0,1)为服从(0,1)正态分布的随机变量，为第it次迭代中以变异概率Pm从种群中选出的个体，为第it次迭代中经过高斯变异之后的个体。
步骤七：然后计算每个变异粒子的适应度值，并与历史个体最优和群体最优进行比较，更新群体最优值。
步骤八：如果迭代次数达到预设值或满足预设的条件，则停止迭代搜索，输出微电网内各分布式电源的输出功率。否则，转到步骤三继续寻优执行。
综上，本发明提出一种基于退火变异粒子群优化算法的微电网优化调度方法，对微电网系统内的分布式电源出力进行优化，提高未来智能电网对微电网运行和调度的高要求。该方案可以有效提高智能微电网运行的经济性与环保性。
Claims (5)
1.一种改进粒子群算法的智能微电网优化调度方法，其特征在于该方法包括以下步骤：
步骤一：对退火变异算法的基本参数进行设置，包括种群规模N、最大迭代次数it、两个学习因子的起始值C1s、C2s和终止值C1e、C2e、惯性权重的起始值ωs和终止值ωe，变异概率Pm；
步骤二：根据微电网内每个分布式电源出力的上下限，对种群内个体进行初始化；
步骤三：根据建立的微电网运行目标函数，计算每个粒子的适应度值，并记录个体最优与全局最优值；
步骤三：引入模拟退火算法，在每次迭代时，随机产生一个随机数，当某一粒子的突变概率大于这一随机数时，就将该粒子当前为止的最优解挑选出来，替换为种群速度更新公式中的全局最优解，从而改变种群的寻优方向；
步骤四：对原始PSO算法的速度和位置更新公式中的学习因子和惯性权重采用动态更新策略；
步骤五：利用模拟退火机制选出的最优个体和上述的动态更新策略对PSO算法的速度更新公式进行改进；
步骤六：对种群个体进行高斯变异；
步骤七：计算每个变异粒子的适应度值，并与历史个体最优和群体最优进行比较，更新群体最优值；
步骤八：如果迭代次数达到预设值或满足预设的条件，则停止迭代搜索，输出微电网内各分布式电源的输出功率；否则，转到步骤三继续寻优执行。
2.根据权利要求1所述的一种改进粒子群算法的智能微电网优化调度方法，其特征在于：步骤三中的粒子的突变概率公式如下：
其中Pk为第k粒子的突变概率，N为种群规模，fpk为第k粒子的当前最佳适应值，fpg为种群当前的全局最优适应度值，T为温度，即突变概率控制参数。
3.根据权利要求1所述的一种改进粒子群算法的智能微电网优化调度方法，其特征在于：步骤四中更新如下：
其中ωs、ωe为惯性权重ω的起始和终止权重，it为当前迭代次数，T为总的迭代次数，c1s、c1e和c2s、c2e分别为c1、c2参数的起始因子和终止因子。
4.根据权利要求1所述的一种改进粒子群算法的智能微电网优化调度方法，其特征在于：步骤五中改进后公式如下：
其中，为第it次迭代从以突变概率Pk从种群中选出的个体最优值。
5.根据权利要求1所述的一种改进粒子群算法的智能微电网优化调度方法，其特征在于：步骤六中高斯变异策略定义如下：
其中，G(0,1)为服从(0,1)正态分布的随机变量，为第it次迭代中以变异概率Pm从种群中选出的个体，为第it次迭代中经过高斯变异之后的个体。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811636991.7A CN109711631B (zh) | 2018-12-29 | 2018-12-29 | 一种改进粒子群算法的智能微电网优化调度方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811636991.7A CN109711631B (zh) | 2018-12-29 | 2018-12-29 | 一种改进粒子群算法的智能微电网优化调度方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109711631A true CN109711631A (zh) | 2019-05-03 |
| CN109711631B CN109711631B (zh) | 2021-09-07 |
Family
ID=66259504
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811636991.7A Active CN109711631B (zh) | 2018-12-29 | 2018-12-29 | 一种改进粒子群算法的智能微电网优化调度方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109711631B (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110737951A (zh) * | 2019-09-04 | 2020-01-31 | 太原理工大学 | 一种基于高斯随机游走鲸鱼算法的旋风分离器结构参数整定方法 |
| CN110764154A (zh) * | 2019-11-08 | 2020-02-07 | 吉林大学 | 基于改进粒子群算法的时间域航空电磁一维反演方法 |
| CN111142060A (zh) * | 2019-12-02 | 2020-05-12 | 国网浙江省电力有限公司 | 一种基于改进的bp神经网络的自适应阈值调整诊断方法 |
| CN111917112A (zh) * | 2020-08-11 | 2020-11-10 | 国网河北省电力有限公司沧州供电分公司 | 一种基于多算法融合的海上风电并网方式评估方法 |
| CN112036540A (zh) * | 2020-09-07 | 2020-12-04 | 哈尔滨工程大学 | 一种基于双种群混合人工蜂群算法的传感器数目优化方法 |
| CN112132471A (zh) * | 2020-09-25 | 2020-12-25 | 华中科技大学 | 基于模拟退火粒子群算法的梯级水电站调度方法及系统 |
| CN112183841A (zh) * | 2020-09-23 | 2021-01-05 | 上海电机学院 | 基于模拟退火算法的含电动汽车微电网的优化调度方法 |
| CN112464573A (zh) * | 2020-12-11 | 2021-03-09 | 中国民用航空飞行学院 | 试变异粒子群优化方法、系统、计算机设备、介质及应用 |
| CN113382417A (zh) * | 2021-04-22 | 2021-09-10 | 国网浙江省电力有限公司嘉兴供电公司 | 一种面向多业务泛在接入的无线专网资源分配方法 |
| CN113450029A (zh) * | 2021-08-30 | 2021-09-28 | 广东电网有限责任公司湛江供电局 | 一种超维度三角寻优方法和电力资源调度优化系统 |
| CN115294674A (zh) * | 2022-10-09 | 2022-11-04 | 南京信息工程大学 | 一种无人艇航行状态的监测评估方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103886146A (zh) * | 2014-03-12 | 2014-06-25 | 河海大学 | 一种提高直流系统抑制换相失败能力的控制参数优化方法 |
| CN104408257A (zh) * | 2014-11-28 | 2015-03-11 | 江苏大学 | 基于模拟退火粒子群算法的混合动力汽车参数优化方法 |
| CN108170530A (zh) * | 2017-12-26 | 2018-06-15 | 北京工业大学 | 一种基于混合元启发式算法的Hadoop负载均衡任务调度方法 |
| CN108629478A (zh) * | 2018-03-15 | 2018-10-09 | 浙江工业大学 | 一种基于模拟退火粒子群混合算法的服装剪裁分床方法 |
-
2018
- 2018-12-29 CN CN201811636991.7A patent/CN109711631B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103886146A (zh) * | 2014-03-12 | 2014-06-25 | 河海大学 | 一种提高直流系统抑制换相失败能力的控制参数优化方法 |
| CN104408257A (zh) * | 2014-11-28 | 2015-03-11 | 江苏大学 | 基于模拟退火粒子群算法的混合动力汽车参数优化方法 |
| CN108170530A (zh) * | 2017-12-26 | 2018-06-15 | 北京工业大学 | 一种基于混合元启发式算法的Hadoop负载均衡任务调度方法 |
| CN108629478A (zh) * | 2018-03-15 | 2018-10-09 | 浙江工业大学 | 一种基于模拟退火粒子群混合算法的服装剪裁分床方法 |
Non-Patent Citations (4)
| Title |
|---|
| LIU XINHUI 等: "Multi-objective optimal dispatch of microgrid containing electric vehicle", 《JOURNALOFCLEANERPRODUCTION》 * |
| 余晓东 等: "基于粒子群优化的直觉模糊核匹配追踪算法", 《电子学报》 * |
| 陈贵敏 等: "粒子群优化算法的惯性权值递减策略研究", 《西安交通大学学报》 * |
| 黄炯 等: "基于模拟退火粒子群算法的飞机气动参数辨识", 《复旦学报》 * |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110737951B (zh) * | 2019-09-04 | 2020-10-13 | 太原理工大学 | 一种基于高斯随机游走鲸鱼算法的旋风分离器结构参数整定方法 |
| CN110737951A (zh) * | 2019-09-04 | 2020-01-31 | 太原理工大学 | 一种基于高斯随机游走鲸鱼算法的旋风分离器结构参数整定方法 |
| CN110764154A (zh) * | 2019-11-08 | 2020-02-07 | 吉林大学 | 基于改进粒子群算法的时间域航空电磁一维反演方法 |
| CN110764154B (zh) * | 2019-11-08 | 2020-10-02 | 吉林大学 | 基于改进粒子群算法的时间域航空电磁一维反演方法 |
| CN111142060B (zh) * | 2019-12-02 | 2023-11-07 | 国网浙江省电力有限公司 | 一种基于改进的bp神经网络的自适应阈值调整诊断方法 |
| CN111142060A (zh) * | 2019-12-02 | 2020-05-12 | 国网浙江省电力有限公司 | 一种基于改进的bp神经网络的自适应阈值调整诊断方法 |
| CN111917112A (zh) * | 2020-08-11 | 2020-11-10 | 国网河北省电力有限公司沧州供电分公司 | 一种基于多算法融合的海上风电并网方式评估方法 |
| CN112036540A (zh) * | 2020-09-07 | 2020-12-04 | 哈尔滨工程大学 | 一种基于双种群混合人工蜂群算法的传感器数目优化方法 |
| CN112036540B (zh) * | 2020-09-07 | 2023-11-28 | 哈尔滨工程大学 | 一种基于双种群混合人工蜂群算法的传感器数目优化方法 |
| CN112183841A (zh) * | 2020-09-23 | 2021-01-05 | 上海电机学院 | 基于模拟退火算法的含电动汽车微电网的优化调度方法 |
| CN112132471A (zh) * | 2020-09-25 | 2020-12-25 | 华中科技大学 | 基于模拟退火粒子群算法的梯级水电站调度方法及系统 |
| CN112464573B (zh) * | 2020-12-11 | 2023-06-30 | 中国民用航空飞行学院 | 试变异粒子群优化方法、系统、计算机设备、介质及应用 |
| CN112464573A (zh) * | 2020-12-11 | 2021-03-09 | 中国民用航空飞行学院 | 试变异粒子群优化方法、系统、计算机设备、介质及应用 |
| CN113382417A (zh) * | 2021-04-22 | 2021-09-10 | 国网浙江省电力有限公司嘉兴供电公司 | 一种面向多业务泛在接入的无线专网资源分配方法 |
| CN113450029A (zh) * | 2021-08-30 | 2021-09-28 | 广东电网有限责任公司湛江供电局 | 一种超维度三角寻优方法和电力资源调度优化系统 |
| CN113450029B (zh) * | 2021-08-30 | 2022-01-25 | 广东电网有限责任公司湛江供电局 | 一种电力资源调度优化系统的超维度三角寻优方法和系统 |
| CN115294674A (zh) * | 2022-10-09 | 2022-11-04 | 南京信息工程大学 | 一种无人艇航行状态的监测评估方法 |
| CN115294674B (zh) * | 2022-10-09 | 2022-12-20 | 南京信息工程大学 | 一种无人艇航行状态的监测评估方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109711631B (zh) | 2021-09-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109711631A (zh) | 一种改进粒子群算法的智能微电网优化调度方法 | |
| Maleki et al. | Scrutiny of multifarious particle swarm optimization for finding the optimal size of a PV/wind/battery hybrid system | |
| Amer et al. | Optimization of hybrid renewable energy systems (HRES) using PSO for cost reduction | |
| CN110070292B (zh) | 基于交叉变异鲸鱼优化算法的微网经济调度方法 | |
| CN104915737A (zh) | 基于风险控制含大规模风电的电力系统协调经济调度方法 | |
| CN104166877A (zh) | 基于改进二进制粒子群优化算法的微网优化运行方法 | |
| CN108847663A (zh) | 一种基于随机最优潮流的风电穿透功率极限分析方法 | |
| CN109523097A (zh) | 一种改进遗传算法的多微电网优化调度方法 | |
| CN106712075A (zh) | 一种考虑风电并网系统安全约束的调峰策略优化方法 | |
| CN108649605A (zh) | 一种基于双层场景区间潮流的der并网准入容量规划方法 | |
| CN114362241A (zh) | 一种基于新能源最大消纳及发电成本最优的混合调度方法 | |
| CN109886446A (zh) | 基于改进混沌粒子群算法的电力系统动态经济调度方法 | |
| CN104299173A (zh) | 一种适用于多种能源接入的鲁棒优化日前调度方法 | |
| CN108364084A (zh) | 一种基于信息融合理论的bp神经网络光伏功率预测方法 | |
| CN106961125B (zh) | 风水火电力系统动态经济调度的等式约束处理方法 | |
| CN116757446A (zh) | 基于改进粒子群算法的梯级水电站调度方法及系统 | |
| CN115358541A (zh) | 一种基于改进群智能融合的水电共享资源优化配置方法 | |
| CN112132379B (zh) | 考虑经济性的新能源跨区域消纳评估方法和存储介质 | |
| CN110098623B (zh) | 一种基于智能负载的Prosumer单元控制方法 | |
| CN111245032A (zh) | 一种计及风电场集电线路降损优化的电压预测控制方法 | |
| CN110084430A (zh) | 一种考虑时空特性设计分布式光伏出力预测模型的方法 | |
| CN114285093B (zh) | 一种源网荷储互动调度方法及系统 | |
| CN110135094A (zh) | 一种基于收缩空间和声算法的虚拟电厂优化调度方法 | |
| Dong et al. | Multi‐objective‐constraint optimal model for wind‐hydro‐thermal power joint scheduling based on symbiotic organisms search algorithm | |
| Oo | A comparison study on particle swarm and evolutionary particle swarm optimization using capacitor placement problem |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20220919 Address after: 710000 No. B49, Xinda Zhongchuang space, 26th Street, block C, No. 2 Trading Plaza, South China City, international port district, Xi'an, Shaanxi Province Patentee after: Xi'an Huaqi Zhongxin Technology Development Co.,Ltd. Address before: 310018 No. 2 street, Xiasha Higher Education Zone, Hangzhou, Zhejiang Patentee before: HANGZHOU DIANZI University |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20221109 Address after: Unit 404-406, No. 28, Guanri Road, Software Park, Xiamen, Fujian 361,000 Patentee after: XIAMEN GREAT POWER GEO INFORMATION TECHNOLOGY Co.,Ltd. Address before: 710000 No. B49, Xinda Zhongchuang space, 26th Street, block C, No. 2 Trading Plaza, South China City, international port district, Xi'an, Shaanxi Province Patentee before: Xi'an Huaqi Zhongxin Technology Development Co.,Ltd. |
|
| TR01 | Transfer of patent right | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20190503 Assignee: Fujian Haoyue Technology Co.,Ltd. Assignor: XIAMEN GREAT POWER GEO INFORMATION TECHNOLOGY Co.,Ltd. Contract record no.: X2024980002420 Denomination of invention: An Improved Particle Swarm Optimization and Scheduling Method for Intelligent Microgrid Optimization Granted publication date: 20210907 License type: Common License Record date: 20240318 |
|
| EE01 | Entry into force of recordation of patent licensing contract |