CN113268931A - 一种基于多目标黏菌优化算法重构光伏阵列的方法与系统 - Google Patents

一种基于多目标黏菌优化算法重构光伏阵列的方法与系统 Download PDF

Info

Publication number
CN113268931A
CN113268931A CN202110654133.0A CN202110654133A CN113268931A CN 113268931 A CN113268931 A CN 113268931A CN 202110654133 A CN202110654133 A CN 202110654133A CN 113268931 A CN113268931 A CN 113268931A
Authority
CN
China
Prior art keywords
slime
photovoltaic array
fitness
bacteria
photovoltaic
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
Application number
CN202110654133.0A
Other languages
English (en)
Other versions
CN113268931B (zh
Inventor
何廷一
杨博
李胜男
马红升
吴水军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Electric Power Research Institute of Yunnan Power Grid Co Ltd
Original Assignee
Electric Power Research Institute of Yunnan Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Electric Power Research Institute of Yunnan Power Grid Co Ltd filed Critical Electric Power Research Institute of Yunnan Power Grid Co Ltd
Priority to CN202110654133.0A priority Critical patent/CN113268931B/zh
Publication of CN113268931A publication Critical patent/CN113268931A/zh
Application granted granted Critical
Publication of CN113268931B publication Critical patent/CN113268931B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks

Abstract

本申请属于电力系统控制技术领域，提供一种基于多目标黏菌优化算法重构光伏阵列的方法与系统。所述一种基于多目标黏菌优化算法重构光伏阵列的方法包括：获取局部阴影下光伏阵列的各个阵列单元的光辐照度，建立光伏阵列模型，利用多目标黏菌优化算法，对所有黏菌位置进行多次迭代，每一次迭代中，每个黏菌均根据当前位置，获取光伏阵列的输出功率，并更新两个适应度，获取最后一次迭代的所有黏菌，从中筛选出所有的优质黏菌，从优质黏菌中，利用综合评价指标权重方法选出一个黏菌，将该黏菌的位置还原成光伏阵列的重构方案。上述基于多目标黏菌优化算法重构光伏阵列的方法不仅提高了光伏阵列的光电转化效率，而且能更好的参与电网的二次调频。

Description

一种基于多目标黏菌优化算法重构光伏阵列的方法与系统
技术领域
本申请属于电力系统控制技术领域，具体涉及一种基于多目标黏菌优化算法重构光伏阵列的方法与系统。
背景技术
当前世界，由于能源需求量日益增加，化石能源的储量日益下降，可再生能源越来越受到人们的重视，并逐渐取代大多数化石燃料，其中最有前景的能源之一是太阳能。光伏阵列，作为最常用的获取太阳能的装置，其部分遮蔽引起的功率损耗会导致光伏阵列的能量输出显著降低。
在电网系统下，光伏阵列常用来参与电网的二次调频。但是，部分遮蔽所带来的，不仅仅导致功率发生损耗，同时也影响了电网二次调频的响应性能。
现有技术中，光伏阵列的重构技术只考虑了补偿功率损耗，以提高局部阴影下光伏阵列的发电量，但却并没有考虑到调频信号的功率响应，从而更好的参与二次调频。因此，急需寻求一种不仅能使输出功率最大，而且能使输出功率与调频信号之间的功率偏差最小的方法。由于该方法已经上升成为一种复杂的非线性优化问题，现有的光伏阵列重构方法无法实现。
发明内容
本申请提供一种基于多目标黏菌优化算法重构光伏阵列的方法与系统，用于光伏阵列的重构。
本申请第一方面提供一种基于多目标黏菌优化算法重构光伏阵列的方法，包括：
获取局部阴影下光伏阵列的各个阵列单元的辐照度；
建立光伏阵列模型，包括：建立光伏矩阵，所述光伏矩阵用于双射光伏阵列的重构方案，建立约束关系，所述约束关系用于限定光伏矩阵的元素，以方便后续算法处理；
建立多目标黏菌优化模型，黏菌包括：位置、第一适应度与第二适应度，所述黏菌位置为光伏矩阵，所述黏菌第一适应度为光伏电站的额定输出功率与光伏阵列的输出功率的功率差值，所述黏菌第二适应度为调频信号与光伏阵列的输出功率的功率差值；
利用多目标黏菌优化算法，对所有黏菌位置进行多次迭代，每一次迭代中，每个黏菌均根据当前位置，获取光伏阵列的输出功率，并更新第一适应度与第二适应度；
获取最后一次迭代的所有黏菌，从中筛选出所有的优质黏菌，所述优质黏菌为，对任一其他黏菌，该优质黏菌满足第一、第二或第三条件中至少一个条件，所述第一条件为优质黏菌的第一适应度小于其他黏菌的第一适应度，所述第二条件为优质黏菌的第二适应度小于其他黏菌的第二适应度，所述第三条件为优质黏菌的第一适应度与第二适应度分别等于其他黏菌的第一适应度与第二适应度；
从优质黏菌中，利用综合评价指标权重方法选出一个黏菌，将该黏菌的位置还原成光伏阵列的重构方案。
可选的，所述建立光伏矩阵，所述光伏矩阵用于映射光伏阵列的重构方案，同时利用黏菌特性，约束光伏矩阵，以方便后续处理，具体为：
初始化一个矩阵，使得该矩阵的任一元素满足：aij＝i；
将该矩阵作为光伏矩阵。
可选的，所述第一适应度与第二适应度的公式如下：
Figure BDA0003113121090000021
Figure BDA0003113121090000022
其中，f1为第一适应度，f2为第二适应度，
Figure BDA0003113121090000023
为光伏电站的额定输出功率，T表示调频的时间周期，Ppv(t)表示光伏电站在第t个控制时段的输出功率，PFR(t)表示第t个控制时段的调频信号。
可选的，所述对所有黏菌位置进行多次迭代，具体为：
基于黏菌算法，利用本次迭代的所有黏菌的第一适应度，获得第一种群，并计算第一种群所有黏菌的第一适应度与第二适应度；
将第一种群的所有黏菌按照非支配排序规则，归类到多个层级中，所述非支配排序规则基于最小化第一适应度与最小化第二适应度这两个目标实现对黏菌的按层级排序；
对任一层级的黏菌按照第一适应度或第二适应度的大小进行排序，并计算拥挤度，所述拥挤度反应同一层级相邻两个黏菌的第一适应度或第二适应度的差值大小；
基于黏菌算法，利用本次迭代的所有黏菌的第二适应度，获得第二种群，并计算第二种群所有黏菌的第一适应度与第二适应度，将第二种群的所有黏菌按照非支配排序规则，归类到多个层级中，对其任一层级计算拥挤度；
对第一种群或第二种群的任一层级分别设置合理的过滤阈值，过滤掉拥挤度小的黏菌，使得过滤后的两个种群的剩余黏菌数量恰好等于过滤掉的黏菌数量；
将两个种群的剩余黏菌作为下一次迭代的所有黏菌。
可选的，所述对第一种群或第二种群的任一层级均设置合理的过滤阈值，具体为：
设置的过滤阈值满足：层级数值越小，过滤阈值越大。也就是尽可能保留高层级的黏菌，尽可能去除低层级的黏菌，层级的数值越小，级别越高。
可选的，所述利用综合评价指标权重方法选出一个黏菌，具体为：
通过VIKOR决策算法，对任一优质黏菌计算其群效用值和个体遗憾值，将二者以一定的权重结合为综合评价值，选出综合评价值最高的优质黏菌。
可选的，所述群效用值、个体遗憾值以及综合评价值计算方法如下：
Figure BDA0003113121090000031
Figure BDA0003113121090000032
Figure BDA0003113121090000033
Figure BDA0003113121090000034
Figure BDA0003113121090000035
Figure BDA0003113121090000036
Figure BDA0003113121090000037
Figure BDA0003113121090000038
Figure BDA0003113121090000039
其中，
Figure BDA00031131210900000310
表示对应于第i个解的第j个目标函数的值，wj表示第j个目标函数的权系数，Si和Ri分别表示第i个解的群效用值和个体遗憾值，S+和S-分别表示最小和最大群效用值，R+和R-分别表示最小和最大个体遗憾值，λ表示群效用的权重系数，Ei表示第i个解的综合评价值。
可选的，所述λ的值为0.4。
本申请第二方面提供一种基于多目标黏菌优化算法重构光伏阵列的系统，包括：控制与输入输出模块、存储模块和算法模块；
所述控制与输入输出模块用于用于调度协调其他模块，包括：获取局部阴影下光伏阵列的各个阵列单元的辐照度，并传给存储模块；
所述存储模块用于存储数据，包括：黏菌的位置、第一适应度与第二适应度数据，优质黏菌数据。
所述算法模块用于所有的计算、建模与逻辑判断，包括：对所有黏菌位置进行多次迭代，每一次迭代中，每个黏菌均根据当前位置，获取光伏阵列的输出功率，并更新第一适应度与第二适应度，获取最后一次迭代的所有黏菌，从中筛选出所有的优质黏菌。
可选的，所述算法模块的功能还包括：通过VIKOR决策算法，对任一优质黏菌计算其群效用值和个体遗憾值，将二者以一定的权重结合为综合评价值，选出综合评价值最高的优质黏菌。
本申请提供一种基于多目标黏菌优化算法重构光伏阵列的方法与系统，所述一种基于多目标黏菌优化算法重构光伏阵列的系统用于执行一种基于多目标黏菌优化算法重构光伏阵列的方法的步骤，获取局部阴影下光伏阵列的各个阵列单元的辐照度，建立光伏阵列模型与多目标黏菌优化模型，利用多目标黏菌优化算法，对所有黏菌位置进行多次迭代，每一次迭代中，每个黏菌均根据当前位置，获取光伏阵列的输出功率，并更新第一适应度与第二适应度，获取最后一次迭代的所有黏菌，从中筛选出所有的优质黏菌，从优质黏菌中任选一个黏菌，将该黏菌的位置还原成光伏阵列的重构方案。本申请将光伏阵列重构与多目标黏菌优化模型巧妙的结合在了一起，合理利用了多目标黏菌优化算法应用灵活、全局搜索能力强等特性，并利用VIKOR决策算法，选出合理的最优解，有效提高了最终结果的获取速度与质量。本申请最终获得的光伏阵列的重构方法，不仅能使输出功率最大，也就是输出功率与平均功率的偏差最小，而且能使输出功率与调频信号之间的功率偏差最小。
附图说明
为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种基于多目标黏菌算法的光伏阵列重构的流程图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
如图1所示，为本申请实施例提供的一种基于多目标黏菌优化算法重构光伏阵列的方法的流程示意图，所述一种基于多目标黏菌优化算法重构光伏阵列的方法包括步骤S1至步骤S5。
步骤S1，获取局部阴影下光伏阵列的各个阵列单元的辐照度，建立光伏阵列模型，包括：建立光伏矩阵，所述光伏矩阵用于双射光伏阵列的重构方案，建立约束关系，所述约束关系用于限定光伏矩阵的元素，以方便后续算法处理，所述建立约束关系限定光伏矩阵具体为：初始化一个矩阵A，使得矩阵A中的任一元素αij＝i，将该矩阵作为光伏矩阵。
步骤S2，建立多目标黏菌优化模型，黏菌包括：位置、第一适应度与第二适应度，所述黏菌位置为光伏矩阵，所述黏菌第一适应度为光伏电站的额定输出功率与光伏阵列的输出功率的功率差值，所述黏菌第二适应度为调频信号与光伏阵列的输出功率的功率差值，同时定义t＝1，t表示当前迭代次数。
上述步骤S2旨在建立多目标黏菌优化模型，并利用步骤S1初始化所有黏菌的位置。
步骤S3，对于任一黏菌，根据位置获取光伏阵列的输出功率，计算并更新第一适应度与第二适应度，所述第一适应度与第二适应度的公式分别如下：
Figure BDA0003113121090000041
Figure BDA0003113121090000042
其中，f1为第一适应度，f2为第二适应度，
Figure BDA0003113121090000043
为光伏电站的额定输出功率，T表示调频的时间周期，Ppv(t)表示光伏电站在第t个控制时段的输出功率，PFR(t)表示第t个控制时段的调频信号。
步骤S4，判断t是否等于最大迭代次数，若t不等于最大迭代次数，利用多目标黏菌算法更新所有黏菌的位置，并令t＝t+1，转至步骤S3。所述利用多目标黏菌算法更新所有黏菌的位置具体包括步骤S41至步骤S45。
步骤S41，基于黏菌算法，并定义黏菌的适应度为黏菌的第一适应度，获得第一种群，具体如下：
Xnew＝rand×(Ub-Lb)+Lb,if(rand＜0.03)；
Xnew＝Xb(t)+vb×(W×XA(t)-XB(t)),if(r＜p)；
Xnew＝vc×X(t),if(r≥p)；
p＝tanh|S(i)-DF|；
其中，Xnew即为黏菌下次迭代的新的位置，Ub与Lb分别表示搜索范围的上界与下界，rand为随机数，取值范围为(0，1)，XA(t)与XB(t)为随机选取的两个黏菌的位置，X(t)为黏菌当前的位置，r为(0，1)之间的随机值，DF为目前所有迭代下，黏菌适应度的最小值，vc为随机正数，初始值为1，随着迭代次数从1到0慢慢减小，vb也为随机数，取值范围为(-a，a)，a的公式如下：
Figure BDA0003113121090000051
其中，maxT表示最大迭代次数，另外，W表示为黏菌的权重，公式如下：
Figure BDA0003113121090000052
Figure BDA0003113121090000053
SmellIndex(i)＝sort(S)；
将黏菌按照适应度从小到大的方式进行排序，适应度位于前50％的黏菌满足condition条件，适应度位于后50％的黏菌满足others条件，其中，bF为当前迭代下，黏菌适应度的最小值，wF为当前迭代下，黏菌适应度的最大值。
步骤S42，计算第一种群所有黏菌的第一适应度与第二适应度，将第一种群的所有黏菌按照非支配排序规则，归类到多个层级中。所述非支配排序规则具体包括步骤S421至步骤S423。
步骤S421，定义v＝1。
步骤S422，从第一种群中，筛选出所有的优质黏菌，所述优质黏菌为，对任一处于第一种群中的其他黏菌，该优质黏菌满足第一、第二或第三条件中至少一个条件，所述第一条件为优质黏菌的第一适应度小于其他黏菌的第一适应度，所述第二条件为优质黏菌的第二适应度小于其他黏菌的第二适应度，所述第三条件为优质黏菌的第一适应度与第二适应度分别等于其他黏菌的第一适应度与第二适应度。将优质黏菌从第一种群中剔除，并全部归类到第v层级中。
步骤S423，判断第一种群是否还存在黏菌，若存在，令v＝v+1，并转至步骤S422。
步骤S43，对任一层级的黏菌按照适应度的大小进行排序，并计算拥挤度，所述拥挤度反应同一层级相邻两个黏菌的第一适应度或第二适应度的差值大小。拥挤度公式如下：
Figure BDA0003113121090000061
其中，i表示黏菌在所在层级下的排序结果，fi-1与fi-1分别表示排序后，前后两个黏菌的适应度，fmin与fmax分别表示该层级下，黏菌的适应度的最小值与最大值。
步骤S44，基于黏菌算法，并定义黏菌的适应度为黏菌的第二适应度，获得第二种群，计算第二种群所有黏菌的第一适应度与第二适应度，将第二种群的所有黏菌按照非支配排序规则，归类到多个层级中。对任一层级的黏菌按照适应度的大小进行排序，并计算拥挤度。
步骤S44的本质就是用第二适应度替代第一适应度，重复执行了步骤S41至步骤S43。
步骤S45，对第一种群或第二种群的任一层级分别设置合理的过滤阈值，过滤掉拥挤度小的黏菌，使得过滤后的两个种群的剩余黏菌数量恰好等于过滤掉的黏菌数量，将两个种群的剩余黏菌作为下一次迭代的所有黏菌。具体包括步骤S451至步骤S452。
步骤S451，定义第一种群(或第二种群)的黏菌数量为N，定义u＝1，创建空的第三种群与空的第四种群。
步骤S452，先提取第一种群的第t层级的所有黏菌，置于第三种群中，再提取第二种群的第u层级的所有黏菌，置于第四种群中。
步骤S453，若第三种群与第四种群的黏菌数量之和小于N，令u＝u+1，转至步骤S452。若第三种群与第四种群的黏菌数量之和大于N，设置过滤阈值F1 t与
Figure BDA0003113121090000062
其中，F1 t用于过滤原第一种群的第u层级的黏菌，
Figure BDA0003113121090000063
用于过滤原第二种群的第u层级的黏菌，过滤掉一部分黏菌使得第三种群与第四种群的黏菌数量之和等于N。
步骤S454，将第三种群与第四种群的所有黏菌作为下一次迭代的所有黏菌。
这里需要注意的是，从步骤S2至步骤S4中可以看出，第一次迭代时，所有黏菌的位置是一样的，均为光伏矩阵的初始位置，这就意味着本算法的最大迭代次数一定大于1。
步骤S5，获取最后一次迭代的所有黏菌，从中筛选出所有的优质黏菌，从优质黏菌中，利用综合评价指标权重方法选出一个黏菌，将该黏菌的位置还原成光伏阵列的重构方案。所述利用综合评价指标权重方法选出一个黏菌具体可以包括步骤S51至步骤S53。
步骤S51，通过VIKOR决策算法，对任一优质黏菌计算其群效用值和个体遗憾值，所述群效用值和个体遗憾值公式如下：
Figure BDA0003113121090000064
Figure BDA0003113121090000065
Figure BDA0003113121090000066
Figure BDA0003113121090000067
Figure BDA0003113121090000071
Figure BDA0003113121090000072
Figure BDA0003113121090000073
Figure BDA0003113121090000074
其中，
Figure BDA0003113121090000075
表示对应于第i个解的第j个目标函数的值，wj表示第j个目标函数的权系数，Si和Ri分别表示第i个解的群效用值和个体遗憾值，S+和S-分别表示最小和最大群效用值，R+和R-分别表示最小和最大个体遗憾值。
步骤S52，将群效用值与个体遗憾值以一定的权重结合为综合评价值，所述综合评价值计算方法如下：
Figure BDA0003113121090000076
其中，λ表示群效用的权重系数，λ取0.4为佳，Ei表示第i个解的综合评价值。
步骤S53，选出Ei值最小的黏菌作为输出。
本申请提供的实施例之间的相似部分相互参见即可，以上提供的具体实施方式只是本申请总的构思下的几个示例，并不构成本申请保护范围的限定。对于本领域的技术人员而言，在不付出创造性劳动的前提下依据本申请方案所扩展出的任何其他实施方式都属于本申请的保护范围。

Claims (10)

1.一种基于多目标黏菌优化算法重构光伏阵列的方法，其特征在于，包括：
获取局部阴影下光伏阵列的各个阵列单元的辐照度；
建立光伏阵列模型，包括：建立光伏矩阵，所述光伏矩阵用于双射光伏阵列的重构方案，建立约束关系，所述约束关系用于限定光伏矩阵的元素，以方便后续算法处理；
建立多目标黏菌优化模型，黏菌包括：位置、第一适应度与第二适应度，所述黏菌位置为光伏矩阵，所述黏菌第一适应度为光伏电站的额定输出功率与光伏阵列的输出功率的功率差值，所述黏菌第二适应度为调频信号与光伏阵列的输出功率的功率差值；
利用多目标黏菌优化算法，对所有黏菌位置进行多次迭代，每一次迭代中，每个黏菌均根据当前位置，获取光伏阵列的输出功率，并更新第一适应度与第二适应度；
获取最后一次迭代的所有黏菌，从中筛选出所有的优质黏菌，所述优质黏菌为，对任一其他黏菌，该优质黏菌满足第一、第二或第三条件中至少一个条件，所述第一条件为优质黏菌的第一适应度小于其他黏菌的第一适应度，所述第二条件为优质黏菌的第二适应度小于其他黏菌的第二适应度，所述第三条件为优质黏菌的第一适应度与第二适应度分别等于其他黏菌的第一适应度与第二适应度；
从优质黏菌中，利用综合评价指标权重方法选出一个黏菌，将该黏菌的位置还原成光伏阵列的重构方案。
2.根据权利要求1所述的一种基于多目标黏菌优化算法重构光伏阵列的方法，其特征在于，所述建立光伏矩阵，所述光伏矩阵用于映射光伏阵列的重构方案，同时利用黏菌特性，约束光伏矩阵，以方便后续处理，具体为：
初始化一个矩阵，使得该矩阵的任一元素满足：aij＝i；
将该矩阵作为光伏矩阵。
3.根据权利要求1所述的一种基于多目标黏菌优化算法重构光伏阵列的方法，其特征在于，所述第一适应度与第二适应度的公式如下：
Figure FDA0003113121080000011
Figure FDA0003113121080000012
其中，f1为第一适应度，f2为第二适应度，
Figure FDA0003113121080000013
为光伏电站的额定输出功率，T表示调频的时间周期，Ppv(t)表示光伏电站在第t个控制时段的输出功率，PFR(t)表示第t个控制时段的调频信号。
4.根据权利要求1所述的一种基于多目标黏菌优化算法重构光伏阵列的方法，其特征在于，所述对所有黏菌位置进行多次迭代，具体为：
基于黏菌算法，利用本次迭代的所有黏菌的第一适应度，获得第一种群，并计算第一种群所有黏菌的第一适应度与第二适应度；
将第一种群的所有黏菌按照非支配排序规则，归类到多个层级中，所述非支配排序规则基于最小化第一适应度与最小化第二适应度这两个目标实现对黏菌的按层级排序；
对任一层级的黏菌按照第一适应度或第二适应度的大小进行排序，并计算拥挤度，所述拥挤度反应同一层级相邻两个黏菌的第一适应度或第二适应度的差值大小；
基于黏菌算法，利用本次迭代的所有黏菌的第二适应度，获得第二种群，并计算第二种群所有黏菌的第一适应度与第二适应度，将第二种群的所有黏菌按照非支配排序规则，归类到多个层级中，对其任一层级计算拥挤度；
对第一种群或第二种群的任一层级分别设置合理的过滤阈值，过滤掉拥挤度小的黏菌，使得过滤后的两个种群的剩余黏菌数量恰好等于过滤掉的黏菌数量；
将两个种群的剩余黏菌作为下一次迭代的所有黏菌。
5.根据权利要求4所述的一种基于多目标黏菌优化算法重构光伏阵列的方法，其特征在于，所述对第一种群或第二种群的任一层级均设置合理的过滤阈值，具体为：
设置的过滤阈值满足：层级数值越小，过滤阈值越大。
6.根据权利要求1所述的一种基于多目标黏菌优化算法重构光伏阵列的方法，其特征在于，所述利用综合评价指标权重方法选出一个黏菌，具体为：
通过VIKOR决策算法，对任一优质黏菌计算其群效用值和个体遗憾值，将二者以一定的权重结合为综合评价值，选出综合评价值最高的优质黏菌。
7.根据权利要求6所述的一种基于多目标黏菌优化算法重构光伏阵列的方法，其特征在于，所述群效用值、个体遗憾值以及综合评价值计算方法如下：
Figure FDA0003113121080000021
Figure FDA0003113121080000022
Figure FDA0003113121080000023
Figure FDA0003113121080000024
Figure FDA0003113121080000025
Figure FDA0003113121080000026
Figure FDA0003113121080000027
Figure FDA0003113121080000028
Figure FDA0003113121080000029
其中，
Figure FDA00031131210800000210
表示对应于第i个解的第j个目标函数的值，wj表示第j个目标函数的权系数，Si和Ri分别表示第i个解的群效用值和个体遗憾值，S+和S-分别表示最小和最大群效用值，R+和R-分别表示最小和最大个体遗憾值，λ表示群效用的权重系数，Ei表示第i个解的综合评价值。
8.根据权利要求7所述的一种基于多目标黏菌优化算法重构光伏阵列的方法，其特征在于，所述λ的值为0.4。
9.一种基于多目标黏菌优化算法重构光伏阵列的系统，其特征在于，包括：存储模块，控制与输入输出模块与算法模块；
所述控制与输入输出模块用于用于调度协调其他模块，包括：获取局部阴影下光伏阵列的各个阵列单元的辐照度，并传给存储模块；
所述存储模块用于存储数据，包括：黏菌的位置、第一适应度与第二适应度数据，优质黏菌数据；
所述算法模块用于所有的计算、建模与逻辑判断，包括：对所有黏菌位置进行多次迭代，每一次迭代中，每个黏菌均根据当前位置，获取光伏阵列的输出功率，并更新第一适应度与第二适应度，获取最后一次迭代的所有黏菌，从中筛选出所有的优质黏菌。
10.根据权利要求9所述的一种基于多目标黏菌优化算法重构光伏阵列的系统，所述算法模块的功能还包括：通过VIKOR决策算法，对任一优质黏菌计算其群效用值和个体遗憾值，将二者以一定的权重结合为综合评价值，选出综合评价值最高的优质黏菌。
CN202110654133.0A 2021-06-11 2021-06-11 一种基于多目标黏菌优化算法重构光伏阵列的方法与系统 Active CN113268931B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110654133.0A CN113268931B (zh) 2021-06-11 2021-06-11 一种基于多目标黏菌优化算法重构光伏阵列的方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110654133.0A CN113268931B (zh) 2021-06-11 2021-06-11 一种基于多目标黏菌优化算法重构光伏阵列的方法与系统

Publications (2)

Publication Number Publication Date
CN113268931A true CN113268931A (zh) 2021-08-17
CN113268931B CN113268931B (zh) 2022-11-29

Family

ID=77234854

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110654133.0A Active CN113268931B (zh) 2021-06-11 2021-06-11 一种基于多目标黏菌优化算法重构光伏阵列的方法与系统

Country Status (1)

Country Link
CN (1) CN113268931B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113852097A (zh) * 2021-09-22 2021-12-28 云南电网有限责任公司电力科学研究院 一种基于maso的光伏阵列重构参与电网调频方法
CN114066282A (zh) * 2021-11-23 2022-02-18 吉林化工学院 一种基于混合核搜索和黏菌优化的电力经济排放调度方法
CN115564139A (zh) * 2022-10-31 2023-01-03 淮阴工学院 基于能值评估的能源系统运行状态优化方法及装置
CN116837422A (zh) * 2023-07-24 2023-10-03 扬中凯悦铜材有限公司 一种高纯无氧铜材的生产工艺及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100983783B1 (ko) * 2010-03-16 2010-09-27 (주)하이레벤 태양광 발전설비의 효율향상설비
CN103914085A (zh) * 2014-04-14 2014-07-09 华北电力大学 一种利用棒影图像实现太阳光跟踪的装置和方法
CN107704978A (zh) * 2017-11-27 2018-02-16 广东电网有限责任公司电网规划研究中心 基于帕累托进化和vikor方法的电热经济调度方法
CN108398982A (zh) * 2018-01-30 2018-08-14 上海电力学院 一种局部阴影下光伏阵列的最大功率跟踪方法
CN109462256A (zh) * 2018-11-28 2019-03-12 燕山大学 一种基于柔性负荷的光伏电力系统优化调度方法及系统
CN110362148A (zh) * 2019-07-19 2019-10-22 昆明理工大学 一种基于人工蜂群算法的阴影条件下光伏系统最大功率跟踪方法
CN111655325A (zh) * 2017-12-18 2020-09-11 丹·萨克斯 用于治疗性肌肉刺激的器件、系统和方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100983783B1 (ko) * 2010-03-16 2010-09-27 (주)하이레벤 태양광 발전설비의 효율향상설비
CN103914085A (zh) * 2014-04-14 2014-07-09 华北电力大学 一种利用棒影图像实现太阳光跟踪的装置和方法
CN107704978A (zh) * 2017-11-27 2018-02-16 广东电网有限责任公司电网规划研究中心 基于帕累托进化和vikor方法的电热经济调度方法
CN111655325A (zh) * 2017-12-18 2020-09-11 丹·萨克斯 用于治疗性肌肉刺激的器件、系统和方法
CN108398982A (zh) * 2018-01-30 2018-08-14 上海电力学院 一种局部阴影下光伏阵列的最大功率跟踪方法
CN109462256A (zh) * 2018-11-28 2019-03-12 燕山大学 一种基于柔性负荷的光伏电力系统优化调度方法及系统
CN110362148A (zh) * 2019-07-19 2019-10-22 昆明理工大学 一种基于人工蜂群算法的阴影条件下光伏系统最大功率跟踪方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
MOSTAFA MANAR: "A new strategy based on slime mould algorithm to extract the optimal model parameters of solar PV panel", 《SUSTAINABLE ENERGY TECHNOLOGIES AND ASSESSMENTS》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113852097A (zh) * 2021-09-22 2021-12-28 云南电网有限责任公司电力科学研究院 一种基于maso的光伏阵列重构参与电网调频方法
CN113852097B (zh) * 2021-09-22 2024-03-19 云南电网有限责任公司电力科学研究院 一种基于maso的光伏阵列重构参与电网调频方法
CN114066282A (zh) * 2021-11-23 2022-02-18 吉林化工学院 一种基于混合核搜索和黏菌优化的电力经济排放调度方法
CN115564139A (zh) * 2022-10-31 2023-01-03 淮阴工学院 基于能值评估的能源系统运行状态优化方法及装置
CN115564139B (zh) * 2022-10-31 2023-09-29 淮阴工学院 基于能值评估的能源系统运行状态优化方法及装置
CN116837422A (zh) * 2023-07-24 2023-10-03 扬中凯悦铜材有限公司 一种高纯无氧铜材的生产工艺及系统
CN116837422B (zh) * 2023-07-24 2024-01-26 扬中凯悦铜材有限公司 一种高纯无氧铜材的生产工艺及系统

Also Published As

Publication number Publication date
CN113268931B (zh) 2022-11-29

Similar Documents

Publication Publication Date Title
CN113268931B (zh) 一种基于多目标黏菌优化算法重构光伏阵列的方法与系统
CN110543988A (zh) 一种基于XGBoost算法的光伏短期出力预测系统及方法
CN104601104B (zh) 基于lssvm带arma修正的超短期光伏预测方法
CN111832812A (zh) 一种基于深度学习的风电功率短期预测方法
CN113452037A (zh) 一种兼顾调频的光伏阵列重构优化方法
CN115115127A (zh) 一种基于深度学习的低压台区智能调控方法及系统
CN113363976B (zh) 一种基于场景图的风光水互补发电系统中期优化调度方法
CN108846529A (zh) 一种发电量预测系统
CN110309990A (zh) 一种考虑典型场景耐受度的新能源不确定性规划方法
CN116485139A (zh) 一种基于多特征融合的短期光伏发电量预测方法
CN112736905B (zh) 区域新能源容量优化配置方法及系统
CN116154875A (zh) 基于tcn和误差函数的光伏电站有功功率优化分配方法
CN115329899A (zh) 一种聚类等效模型构建方法、系统、设备和存储介质
CN115689241A (zh) 一种基于水风光多能互补的梯级水库群调度图优化方法
CN111652449A (zh) 一种基于条件随机场模型预测短期光伏发电系统发电量的系统模型
CN113052386A (zh) 基于随机森林算法的分布式光伏日发电量预测方法和装置
CN113592181B (zh) 一种小水电群出力预测方法和系统
CN116599087B (zh) 一种储能系统的调频策略优化方法及系统
Li et al. An adaptive spatiotemporal fusion graph neural network for short-term power forecasting of multiple wind farms
CN115986744B (zh) 一种含共享储能的配电网潮流优化方法
CN112365025B (zh) 一种支持向量机宽度学习的可再生能源市场长期储热方法
CN117649070A (zh) 一种考虑投资运行成本和光伏消纳的配电网网架规划方法
Lai et al. Data analytics for solar energy in promoting smart cities
CN113704680A (zh) 一种基于水库调节系数排序的水电站群发电优化方法
CN115034127A (zh) 一种基于共生生物搜索的多微电网内最大化消纳可再生能源的方法

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