CN113344426B - 一种储能站规划方法、装置及设备 - Google Patents

一种储能站规划方法、装置及设备 Download PDF

Info

Publication number
CN113344426B
CN113344426B CN202110720537.5A CN202110720537A CN113344426B CN 113344426 B CN113344426 B CN 113344426B CN 202110720537 A CN202110720537 A CN 202110720537A CN 113344426 B CN113344426 B CN 113344426B
Authority
CN
China
Prior art keywords
whale
individual
energy storage
storage station
population
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.)
Active
Application number
CN202110720537.5A
Other languages
English (en)
Other versions
CN113344426A (zh
Inventor
王德君
王杨
徐辉
黄宁洁
童斌
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.)
State Grid Zhejiang Electric Power Co Ltd Hangzhou Yuhang District Power Supply Co
Yuhang Branch Of Hangzhou Electric Power Design Institute Co ltd
Hangzhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
State Grid Zhejiang Electric Power Co Ltd Hangzhou Yuhang District Power Supply Co
Yuhang Branch Of Hangzhou Electric Power Design Institute Co ltd
Hangzhou Power Supply Co of State Grid Zhejiang Electric Power 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 State Grid Zhejiang Electric Power Co Ltd Hangzhou Yuhang District Power Supply Co, Yuhang Branch Of Hangzhou Electric Power Design Institute Co ltd, Hangzhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd filed Critical State Grid Zhejiang Electric Power Co Ltd Hangzhou Yuhang District Power Supply Co
Priority to CN202110720537.5A priority Critical patent/CN113344426B/zh
Publication of CN113344426A publication Critical patent/CN113344426A/zh
Application granted granted Critical
Publication of CN113344426B publication Critical patent/CN113344426B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06313—Resource planning in a project environment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Software Systems (AREA)
  • Development Economics (AREA)
  • Mathematical Physics (AREA)
  • Educational Administration (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)

Abstract

本发明公开了一种储能站规划方法，考虑到鲸鱼优化算法的全局搜索具有随机性，不可避免地导致鲸鱼优化算法在进化后期容易出现种群多样性低，导致出现早熟收敛(陷入局部最优解)的现象，因此本申请在更新每个鲸鱼个体位置时，不再盲目追随当前全局最优鲸鱼个体，而是根据全局最优鲸鱼个体和其所在聚类的最优鲸鱼个体对各个鲸鱼个体进行位置更新，以避免造成种群多样性降低并陷入局部最优解，提升了储能站选址定容的准确性，有利于在降低规划成本的同时更好地优化配电网的负荷特性曲线。本发明还公开了一种储能站规划装置及设备，具有如上储能站规划方法相同的有益效果。

Description

一种储能站规划方法、装置及设备
技术领域
本发明涉及储能站规划领域，特别是涉及一种储能站规划方法，本发明还涉及一种储能站规划装置及设备。
背景技术
随着用电负荷的快速增长与电网负荷峰谷差的增大，电网运行资源裕度严重受限，储能站的引入对配电网起到削峰填谷和提高设备利用率的作用，其中，储能站选址的不同以及容量取值的不同，均会对配电网的负荷特性曲线的优化效果以及储能站规划成本带来影响，现有技术中缺少一种成熟的储能站规划方法，导致储能站的选址定容的准确性较差，也即在规划成本较高的同时，也无法对配电网的负荷特性曲线进行较好的优化。
因此，如何提供一种解决上述技术问题的方案是本领域技术人员目前需要解决的问题。
发明内容
本发明的目的是提供一种储能站规划方法，提升了储能站选址定容的准确性，有利于在降低规划成本的同时更好地优化配电网的负荷特性曲线；本发明的另一目的是提供一种储能站规划装置及设备，提升了储能站选址定容的准确性，有利于在降低规划成本的同时更好地优化配电网的负荷特性曲线。
为解决上述技术问题，本发明提供了一种储能站规划方法，包括：
将随机生成的各个选址定容方案均作为鲸鱼个体以形成初始化的鲸鱼种群；
通过预设聚类算法对当前的所述鲸鱼种群进行聚类；
根据当前所述鲸鱼种群中的全局最优鲸鱼个体的位置以及自身所在聚类对应的最优鲸鱼个体的位置，对每个所述鲸鱼个体的位置进行更新；
判断是否达到预设迭代终止条件；
若否，则执行所述通过预设聚类算法对当前的所述鲸鱼种群进行聚类的步骤；
若是，则根据当前所述鲸鱼种群中的所述全局最优鲸鱼个体进行储能站的规划。
优选地，所述根据当前所述鲸鱼种群中的全局最优鲸鱼个体的位置以及自身所在聚类对应的最优鲸鱼个体的位置，对每个所述鲸鱼个体的位置进行更新具体为：
确定出当前所述鲸鱼种群中的全局最优鲸鱼个体，以及各个聚类中的最优鲸鱼个体；
对于每个所述鲸鱼个体，随机选取当前的所述全局最优鲸鱼个体或者自身所在聚类对应的所述最优鲸鱼个体作为领头鲸；
根据各自的所述领头鲸的位置对各个所述鲸鱼个体进行位置更新。
优选地，所述通过预设聚类算法对当前的所述鲸鱼种群进行聚类包括：
在首次确定聚类中心时，从初始化的所述鲸鱼种群中随机选取一个鲸鱼个体作为聚类中心；
基于随机选取的所述聚类中心，根据最大距离原则选取K-1个聚类中心；
在非首次确定聚类中心时，根据当前各个聚类中的鲸鱼个体重新确定各个聚类的聚类中心；
根据最小距离原则，将各个所述鲸鱼个体划分到各个所述聚类中心对应的聚类中。
优选地，所述预设迭代终止条件包括：
迭代次数达到预设迭代总次数。
优选地，所述通过预设聚类算法对当前的所述鲸鱼种群进行聚类之后，所述根据当前所述鲸鱼种群中的全局最优鲸鱼个体的位置以及自身所在聚类对应的最优鲸鱼个体的位置，对每个所述鲸鱼个体的位置进行更新之前，该储能站规划方法还包括：
判断所述聚类的数量是否为一个；
若是，则根据当前所述鲸鱼种群中的所述全局最优鲸鱼个体进行储能站的规划。
优选地，所述确定出当前所述鲸鱼种群中的全局最优鲸鱼个体，以及各个聚类中的最优鲸鱼个体具体为：
根据适应度值，确定出当前所述鲸鱼种群中的全局最优鲸鱼个体，以及各个聚类中的最优鲸鱼个体。
优选地，所述预设聚类算法为K-means聚类算法。
为解决上述技术问题，本发明还提供了一种储能站规划装置，包括：
初始化模块，用于将随机生成的各个选址定容方案均作为鲸鱼个体以形成初始化的鲸鱼种群；
聚类模块，用于通过预设聚类算法对当前的所述鲸鱼种群进行聚类；
位置更新模块，用于根据当前所述鲸鱼种群中的全局最优鲸鱼个体的位置以及自身所在聚类对应的最优鲸鱼个体的位置，对每个所述鲸鱼个体的位置进行更新；
判断模块，用于判断是否达到预设迭代终止条件，若否，则触发所述聚类模块，若是，则触发规划模块；
所述规划模块，用于根据当前所述鲸鱼种群中的所述全局最优鲸鱼个体进行储能站的规划。
优选地，所述预设聚类算法为K-means聚类算法。
为解决上述技术问题，本发明还提供了一种储能站规划设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上所述储能站规划方法的步骤。
本发明提供了一种储能站规划方法，考虑到鲸鱼优化算法的全局搜索具有随机性，不可避免地导致鲸鱼优化算法在进化后期容易出现种群多样性低，导致出现早熟收敛(陷入局部最优解)的现象，因此本申请在更新每个鲸鱼个体位置时，不再盲目追随当前全局最优鲸鱼个体，而是根据全局最优鲸鱼个体和其所在聚类的最优鲸鱼个体对各个鲸鱼个体进行位置更新，以避免造成种群多样性降低并陷入局部最优解，提升了储能站选址定容的准确性，有利于在降低规划成本的同时更好地优化配电网的负荷特性曲线。
本发明还提供了一种储能站规划装置及设备，具有如上储能站规划方法相同的有益效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对现有技术和实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，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为本发明提供的一种储能站规划方法的流程示意图；
图2为鲸鱼优化算法中的更新鲸鱼个体位置的流程示意图；
图3为某地区23节点10kV中压配电网系统化拓扑结构；
图4a为节点7的典型负荷特性曲线图；
图4b为节点8的典型负荷特性曲线图；
图4c为节点14的典型负荷特性曲线图；
图4d为节点20的典型负荷特性曲线图；
图5为传统鲸鱼优化算法收敛过程示意图
图6为改进k-means-鲸鱼优化算法收敛过程示意图
图7为节点7储能站配置前后的负荷特性曲线图
图8为本发明提供的一种储能站规划装置的结构示意图；
图9为本发明提供的一种储能站规划设备的结构示意图。
具体实施方式
本发明的核心是提供一种储能站规划方法，提升了储能站选址定容的准确性，有利于在降低规划成本的同时更好地优化配电网的负荷特性曲线；本发明的另一目的是提供一种储能站规划装置及设备，提升了储能站选址定容的准确性，有利于在降低规划成本的同时更好地优化配电网的负荷特性曲线。
为使本发明实施例的目的、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，都属于本发明保护的范围。
请参考图1，图1为本发明提供的一种储能站规划方法的流程示意图，该储能站规划方法包括：
步骤S101：将随机生成的各个选址定容方案均作为鲸鱼个体以形成初始化的鲸鱼种群；
具体的，在通过鲸鱼算法进行储能站规划方案的确定时，需要首先生成初始化鲸鱼种群，其中的每一个鲸鱼个体即为一种储能站的选址定容方案，例如包括X个储能站的位置以及安装容量等，因此本步骤中可以首先随机生成预设数量个选址定容方案并将其形成的集合作为初始化的鲸鱼种群X。
其中，预设数量可以进行自主设定，本发明实施例在此不做限定。
步骤S102：通过预设聚类算法对当前的鲸鱼种群进行聚类；
具体的，考虑到鲸鱼算法所具有的的全局搜索特性的搜索能力有限，因此不可避免地导致鲸鱼优化算法在进化后期容易出现种群多样性低，导致出现早熟收敛现象，因此本发明实施例中欲首先对鲸鱼种群进行聚类，以便在后续步骤中计算得到每个聚类中的最优鲸鱼个体，如此一来在更新各个鲸鱼个体的位置时，便可以根据鲸鱼种群中的全局最优个体以及自身所在聚类中的最优鲸鱼个体进行鲸鱼个体位置的更新，由于在更新鲸鱼个体位置时不再盲目追随当前全局最优鲸鱼个体，而是根据全局最优鲸鱼个体和其所在聚类的最优鲸鱼个体对各个鲸鱼个体进行位置更新，以避免造成种群多样性降低并陷入局部最优解，提升了储能站选址定容的准确性，有利于在降低规划成本的同时更好地优化配电网的负荷特性曲线。
步骤S103：根据当前鲸鱼种群中的全局最优鲸鱼个体的位置以及自身所在聚类对应的最优鲸鱼个体的位置，对每个鲸鱼个体的位置进行更新；
具体的，由于前述步骤已经进行了聚类，因此在对鲸鱼个体的位置进行更新时，便可以根据当前鲸鱼种群中的全局最优鲸鱼个体的位置以及自身所在聚类对应的最优鲸鱼个体的位置，对每个鲸鱼个体的位置进行更新，例如鲸鱼个体a在聚类A中，便可以根据全局最优鲸鱼个体的位置以及聚类A中的最优鲸鱼个体的位置对鲸鱼个体a的位置进行更新，提升了种群多样性。
步骤S104：判断是否达到预设迭代终止条件；
若否，则执行通过预设聚类算法对当前的鲸鱼种群进行聚类的步骤；
具体的，在未达到预设迭代终止条件的情况下，可以执行“通过预设聚类算法对当前的鲸鱼种群进行聚类”的步骤，从而进行下一次迭代继续进行寻优过程。
步骤S105：若是，则根据当前鲸鱼种群中的全局最优鲸鱼个体进行储能站的规划。
具体的，在达到预设迭代终止条件的情况下，便可以认为此时鲸鱼种群中的全局最优鲸鱼个体对应的选址定容方案为理想的优选方案，便可以依据当前鲸鱼种群中的全局最优鲸鱼个体进行储能站的规划。
本发明提供了一种储能站规划方法，考虑到鲸鱼优化算法的全局搜索具有随机性，不可避免地导致鲸鱼优化算法在进化后期容易出现种群多样性低，导致出现早熟收敛(陷入局部最优解)的现象，因此本申请在更新每个鲸鱼个体位置时，不再盲目追随当前全局最优鲸鱼个体，而是根据全局最优鲸鱼个体和其所在聚类的最优鲸鱼个体对各个鲸鱼个体进行位置更新，以避免造成种群多样性降低并陷入局部最优解，提升了储能站选址定容的准确性，有利于在降低规划成本的同时更好地优化配电网的负荷特性曲线。
在上述实施例的基础上：
作为一种优选的实施例，根据当前鲸鱼种群中的全局最优鲸鱼个体的位置以及自身所在聚类对应的最优鲸鱼个体的位置，对每个鲸鱼个体的位置进行更新具体为：
确定出当前鲸鱼种群中的全局最优鲸鱼个体，以及各个聚类中的最优鲸鱼个体；
对于每个鲸鱼个体，随机选取当前的全局最优鲸鱼个体或者自身所在聚类对应的最优鲸鱼个体作为领头鲸；
根据各自的领头鲸的位置对各个鲸鱼个体进行位置更新。
具体的，通过随机的方式能够简化计算过程，从而提高迭代后期种群的多样性。
当然，除了随机选取的方式外，根据当前鲸鱼种群中的全局最优鲸鱼个体的位置以及自身所在聚类对应的最优鲸鱼个体的位置，对每个鲸鱼个体的位置进行更新还可以为其他方式，本发明实施例在此不做限定。
作为一种优选的实施例，通过预设聚类算法对当前的鲸鱼种群进行聚类包括：
在首次确定聚类中心时，从初始化的鲸鱼种群中随机选取一个鲸鱼个体作为聚类中心；
基于随机选取的聚类中心，根据最大距离原则选取K-1个聚类中心；
在非首次确定聚类中心时，根据当前各个聚类中的鲸鱼个体重新确定各个聚类的聚类中心；
根据最小距离原则，将各个鲸鱼个体划分到各个聚类中心对应的聚类中。
具体的，在首次确定聚类中心时，基于随机选取的第一个聚类中心，根据最大距离原则选取K-1个聚类中心从而得到总共K个聚类中心，可以使得初始聚类中心具有代表性，从而有利于进一步提升迭代后期种群的多样性。
当然，除了该选取初始聚类中心的方式外，选取初始聚类中心还可以通过其他方式进行，本发明实施例在此不做限定。
作为一种优选的实施例，预设迭代终止条件包括：
迭代次数达到预设迭代总次数。
具体的，通过预设迭代总次数的设置一方面可以控制迭代计算过程的时间，另一方面也能够对储能站规划方案寻优的精度进行控制。
当然，除了预设迭代总次数外，预设迭代终止条件还可以为其他多种类型，本发明实施例在此不做限定。
作为一种优选的实施例，通过预设聚类算法对当前的鲸鱼种群进行聚类之后，根据当前鲸鱼种群中的全局最优鲸鱼个体的位置以及自身所在聚类对应的最优鲸鱼个体的位置，对每个鲸鱼个体的位置进行更新之前，该储能站规划方法还包括：
判断聚类的数量是否为一个；
若是，则根据当前鲸鱼种群中的全局最优鲸鱼个体进行储能站的规划。
具体的，考虑到聚类的数量为一个的情况下，全局最优鲸鱼个体以及聚类中的最优鲸鱼个体均为同一个体，此时的迭代计算可以认为已达到最大限度，再反复通过该鲸鱼个体的位置对每个鲸鱼个体的位置进行更新已没有意义，因此在该种情况下也可以终止迭代并根据当前鲸鱼种群中的全局最优鲸鱼个体进行储能站的规划。
作为一种优选的实施例，确定出当前鲸鱼种群中的全局最优鲸鱼个体，以及各个聚类中的最优鲸鱼个体具体为：
根据适应度值，确定出当前鲸鱼种群中的全局最优鲸鱼个体，以及各个聚类中的最优鲸鱼个体。
具体的，通过适应度值可以方便准确地确定全局最优鲸鱼个体，以及各个聚类中的最优鲸鱼个体。
作为一种优选的实施例，预设聚类算法为K-means聚类算法。
具体的，K-means聚类算法具有准确性高以及计算速度快等优点。
当然，除了K-means聚类算法外，预设聚类算法还可以为其他具体类型，本发明实施例在此不做限定。
为了更好地对本发明实施例进行说明，请参考图2，图2为鲸鱼优化算法中的更新鲸鱼个体位置的流程示意图，具体的，如下为本发明实施例提供的一种适用于储能站规划的改进K-means-鲸鱼优化算法，包括如下步骤：
1)采用随机的方式产生初始鲸鱼种群X，随机从中选取一个数据作为聚类中心，剩余k-1个聚类中心根据最大距离原则进行选取；
2)根据最小距离原则，将鲸鱼个体划分到k个聚类，若某个聚类为空，则删除该聚类；
3)计算每个鲸鱼个体的适应度值，可得到全局最优鲸鱼个体
Figure BDA0003136340910000081
和各个聚类中最优鲸鱼个体/>
Figure BDA0003136340910000082
适应度值计算公式：
目标函数为求解最大化问题时：
Figure BDA0003136340910000083
目标函数为求解最小化问题时：
C(x)＝＝Z(x) (2)
式中，C(x)为适应度函数；Z(x)为待求解问题的目标函数。无论目标函数在求解最大化问题还是在求解最小化问题时，适应度值均越小越好。
4)更新鲸鱼个体位置。鲸鱼个体位置更新主要分为三个阶段：猎物包围阶段、气泡袭击阶段和猎物搜索阶段。为避免盲目性而导致的局部最优，局部搜索阶段，鲸鱼随机选取全局最优个体和所在聚类最优个体作为领头鲸，并朝着领头鲸的位置游去，从而更新自身的位置；
猎物包围阶段：鲸鱼首先观察猎物所在位置，然后对其进行包围。此阶段鲸鱼个体要像领头鲸学习，以此更新自己的位置。首先需分别求解个体与全局最优鲸鱼位置和所在聚类最优鲸鱼位置之间的距离：
Figure BDA0003136340910000091
Figure BDA0003136340910000092
式中，t表示当前的迭代次数，
Figure BDA0003136340910000093
表示第t代中最优的鲸鱼个体位置，/>
Figure BDA0003136340910000094
表示第t代第k聚类中最优的鲸鱼个体位置，/>
Figure BDA0003136340910000095
随着每次迭代不断更新自身的位置。/>
Figure BDA0003136340910000096
为摆动因子，由下式计算所得：
Figure BDA0003136340910000097
鲸鱼根据领头鲸的位置而更新，位置更新公式如下：
Figure BDA0003136340910000098
其中，α1、α2为数值为0或1的随机数，二者的关系满足式(7)，以实现领头鲸的选择；
Figure BDA0003136340910000099
为收敛因子，由式(8)计算得出。
Figure BDA00031363409100000910
Figure BDA00031363409100000911
在式(5)和式(8)中，
Figure BDA00031363409100000912
为[0,1]之间的随机数，a随着迭代次数的增加从2线性递减到0，如式(9)所示。
Figure BDA0003136340910000101
式中，tmax为最大迭代次数。
气泡攻击捕食：本阶段鲸鱼首先计算出自身到猎物(领头鲸)之间的距离，接着以螺旋形态向上游动，同时吐出大小不等的气泡以捕食猎物。该行为的数学模型如下：
Figure BDA0003136340910000102
Figure BDA0003136340910000103
Figure BDA0003136340910000104
式中，
Figure BDA0003136340910000105
为鲸鱼到猎物的距离；l为[-1,1]之间的随机值；b为螺旋形常数。
鲸鱼在捕食的过程中有摇摆包围捕食和螺旋姿势游动吐气泡攻击捕食两种机制，因此，假设鲸鱼执行两种捕食行为的概率各为50％，也就是说，假定鲸鱼用式(6)或式(12)更新自身位置的概率各为百分之五十，该数学模型如下：
Figure BDA0003136340910000106
全局搜索阶段：鲸鱼随机搜寻猎物，本阶段鲸鱼不再跟随领头鲸的位置而更新自身的位置，而是随机进行随机的大范围搜索猎物，以此确定自身需要更新的下一个位置。因此，在本算法是根据收敛因子
Figure BDA0003136340910000107
的值的变化使得鲸鱼在本阶段进行更大范围的搜索。当
Figure BDA0003136340910000108
的时候，鲸鱼将进行随机搜索猎物的行为，进行全局搜索，从而避免陷入局部最优，该阶段的数学表达式如下：
Figure BDA0003136340910000109
Figure BDA00031363409100001010
式中，
Figure BDA00031363409100001011
为当前种群中随机的一只鲸鱼的位置。
5)判断鲸鱼优化算法是否满足迭代终止条件，若满足，则结束迭代并转至下一步。否则，执行一次k-means聚类算法，更新聚类中心位置，并跳转至步骤(2)继续迭代寻优；
6)输出最终的聚类中心点，输出全局最优的鲸鱼位置。
本发明实施例将k-means聚类算法和鲸鱼优化算法结合，即有效提高了鲸鱼种群的多样性，又改善了种群前期“早熟”现象，提高其搜索能力，有效避免的陷入局部最优的现象。
如下为本发明实施例提供的一种储能站规划方法的具体实施方式：
主要方法与步骤可概括如下：采用十进制的编码方式，并对储能站进行编码，之后随机生成初始鲸鱼种群，并从中选取一个数据作为聚类中心，同时按照最大距离原则选取剩余的k-1个聚类中心，之后将鲸鱼种群按最小距离原则分配到相应的聚类，计算个体适应度值，并标记全局最优个体和各个聚类最优个体，之后鲸鱼个体按照领头鲸的位置更新自身位置。由于领头鲸的选取不仅局限于全局最优个体，同时考虑其所在聚类中最优个体，且选择具有随机性，有效避免了迭代后期种群多样性的降低，提高算法的全局性。
其中适用于储能站规划的改进k-means-鲸鱼优化算法可通过某地区23节点10kV中压配电网进行容量规划配置，规划年限为10年，图3为某地区23节点10kV中压配电网系统化拓扑结构。储能站选址备选节点为7、8、14、20，图4为该四个节点的典型负荷特性曲线图。储能站选用钠硫电池，其充放电效率均取90％，最大荷电状态为0.9，最小荷电状态为0.2，储能站单位容量造价为1270元·(kW·h)-1，储能站单位容量维护费用的折算系数为130元·(kW·h)-1，储能站容量裕度系数取值1.5。
算法和模型参数如下：种群数量选取50；迭代上限(预设迭代总次数)tmax＝100；螺旋形常数b＝1；通货膨胀率为1.5％，贴现率为9％，年最大负荷利用小时数选取3500h，规划区峰、平、谷单位电价分别为1.0、0.6、0.3元/kWh。
首先选取合适的储能站规划配置模型和约束条件并对待规划配电网进行分析，产生合适的初始解，即初始鲸鱼种群。从种群中随机选取一个个体作为聚类中心，并按照最大距离原则选取剩余的k-1个聚类中心，之后将鲸鱼种群按最小距离原则分配到相应的聚类，计算个体适应度值，并标记全局最优个体和各个聚类最优个体，之后鲸鱼个体按照领头鲸的位置更新自身位置。通过在鲸鱼优化算法的每次迭代过程中执行k-means算法，并调整领头鲸的选择进行寻优。
采用传统鲸鱼优化算法和改进k-means-鲸鱼优化算法对23节点10kV中压配电网进行容量规划配置，两种算法收敛过程如图5、6。
本发明所提出的改进k-means-鲸鱼优化算法在处理储能站容量规划配置时的全局性和收敛性优于传统鲸鱼优化算法，并且没有出现盲目跟随现象。附图5、6表明在对储能站容量规划配置问题的求解上，本发明提出的改进k-means-鲸鱼优化算法是稳定且有效的。
利用本发明所提改进k-means-鲸鱼优化算法与传统鲸鱼优化算法进行储能站容量规划配置，规划结果见下表1；
表1储能站容量规划配置结果
Figure BDA0003136340910000121
由上述规划结果表明，对储能站容量进行规划配置中，本发明所提鲸鱼优化算法可有效降低储能站规划费用带来更好的经济效益，改进的k-means-鲸鱼优化算法相比于传统鲸鱼优化算法，有效改善盲目跟随的现象，迭代速度更快，寻优能力更强。
如附图7所示为节点7储能站配置前后的负荷特性曲线图，结果表明，在配置储能站后，可有效实现削峰填谷，优化负荷特性曲线，这将给电网带来良好的经济效益和技术效益，可有效提升电网裕度，延缓设备升级改造。
请参考图8，图8为本发明提供的一种储能站规划装置的结构示意图，该储能站规划装置包括：
初始化模块81，用于将随机生成的各个选址定容方案均作为鲸鱼个体以形成初始化的鲸鱼种群；
聚类模块82，用于通过预设聚类算法对当前的鲸鱼种群进行聚类；
位置更新模块83，用于根据当前鲸鱼种群中的全局最优鲸鱼个体的位置以及自身所在聚类对应的最优鲸鱼个体的位置，对每个鲸鱼个体的位置进行更新；
判断模块84，用于判断是否达到预设迭代终止条件，若否，则触发聚类模块82，若是，则触发规划模块85；
规划模块85，用于根据当前鲸鱼种群中的全局最优鲸鱼个体进行储能站的规划。
作为一种优选的实施例，预设聚类算法为K-means聚类算法。
对于本发明实施例提供的储能站规划装置的介绍请参照前述的储能站规划方法的实施例，本发明实施例在此不再赘述。
请参考图9，图9为本发明提供的一种储能站规划设备的结构示意图，该储能站规划设备包括：
存储器91，用于存储计算机程序；
处理器92，用于执行计算机程序时实现如前述实施例中储能站规划方法的步骤。
对于本发明实施例提供的储能站规划识别的介绍请参照前述的储能站规划方法的实施例，本发明实施例在此不再赘述。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。还需要说明的是，在本说明书中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其他实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (9)

1.一种储能站规划方法，其特征在于，包括：
将随机生成的储能站的各个选址定容方案均作为鲸鱼个体以形成初始化的鲸鱼种群；
通过预设聚类算法对当前的所述鲸鱼种群进行聚类；
根据当前所述鲸鱼种群中的全局最优鲸鱼个体的位置以及自身所在聚类对应的最优鲸鱼个体的位置，对每个所述鲸鱼个体的位置进行更新；
判断是否达到预设迭代终止条件；
若否，则执行所述通过预设聚类算法对当前的所述鲸鱼种群进行聚类的步骤；
若是，则根据当前所述鲸鱼种群中的所述全局最优鲸鱼个体进行储能站的规划；
所述根据当前所述鲸鱼种群中的全局最优鲸鱼个体的位置以及自身所在聚类对应的最优鲸鱼个体的位置，对每个所述鲸鱼个体的位置进行更新具体为：
确定出当前所述鲸鱼种群中的全局最优鲸鱼个体，以及各个聚类中的最优鲸鱼个体；
对于每个所述鲸鱼个体，随机选取当前的所述全局最优鲸鱼个体或者自身所在聚类对应的所述最优鲸鱼个体作为领头鲸；
根据各自的所述领头鲸的位置对各个所述鲸鱼个体进行位置更新。
2.根据权利要求1所述的储能站规划方法，其特征在于，所述通过预设聚类算法对当前的所述鲸鱼种群进行聚类包括：
在首次确定聚类中心时，从初始化的所述鲸鱼种群中随机选取一个鲸鱼个体作为聚类中心；
基于随机选取的所述聚类中心，根据最大距离原则选取K-1个聚类中心；
在非首次确定聚类中心时，根据当前各个聚类中的鲸鱼个体重新确定各个聚类的聚类中心；
根据最小距离原则，将各个所述鲸鱼个体划分到各个所述聚类中心对应的聚类中。
3.根据权利要求2所述的储能站规划方法，其特征在于，所述预设迭代终止条件包括：
迭代次数达到预设迭代总次数。
4.根据权利要求3所述的储能站规划方法，其特征在于，所述通过预设聚类算法对当前的所述鲸鱼种群进行聚类之后，所述根据当前所述鲸鱼种群中的全局最优鲸鱼个体的位置以及自身所在聚类对应的最优鲸鱼个体的位置，对每个所述鲸鱼个体的位置进行更新之前，该储能站规划方法还包括：
判断所述聚类的数量是否为一个；
若是，则根据当前所述鲸鱼种群中的所述全局最优鲸鱼个体进行储能站的规划。
5.根据权利要求1所述的储能站规划方法，其特征在于，所述确定出当前所述鲸鱼种群中的全局最优鲸鱼个体，以及各个聚类中的最优鲸鱼个体具体为：
根据适应度值，确定出当前所述鲸鱼种群中的全局最优鲸鱼个体，以及各个聚类中的最优鲸鱼个体。
6.根据权利要求1至5任一项所述的储能站规划方法，其特征在于，所述预设聚类算法为K-means聚类算法。
7.一种储能站规划装置，其特征在于，包括：
初始化模块，用于将随机生成的储能站的各个选址定容方案均作为鲸鱼个体以形成初始化的鲸鱼种群；
聚类模块，用于通过预设聚类算法对当前的所述鲸鱼种群进行聚类；
位置更新模块，用于根据当前所述鲸鱼种群中的全局最优鲸鱼个体的位置以及自身所在聚类对应的最优鲸鱼个体的位置，对每个所述鲸鱼个体的位置进行更新；
判断模块，用于判断是否达到预设迭代终止条件，若否，则触发所述聚类模块，若是，则触发规划模块；
所述规划模块，用于根据当前所述鲸鱼种群中的所述全局最优鲸鱼个体进行储能站的规划；
所述根据当前所述鲸鱼种群中的全局最优鲸鱼个体的位置以及自身所在聚类对应的最优鲸鱼个体的位置，对每个所述鲸鱼个体的位置进行更新具体为：
确定出当前所述鲸鱼种群中的全局最优鲸鱼个体，以及各个聚类中的最优鲸鱼个体；
对于每个所述鲸鱼个体，随机选取当前的所述全局最优鲸鱼个体或者自身所在聚类对应的所述最优鲸鱼个体作为领头鲸；
根据各自的所述领头鲸的位置对各个所述鲸鱼个体进行位置更新。
8.根据权利要求7所述的储能站规划装置，其特征在于，所述预设聚类算法为K-means聚类算法。
9.一种储能站规划设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至6任一项所述储能站规划方法的步骤。
CN202110720537.5A 2021-06-28 2021-06-28 一种储能站规划方法、装置及设备 Active CN113344426B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110720537.5A CN113344426B (zh) 2021-06-28 2021-06-28 一种储能站规划方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110720537.5A CN113344426B (zh) 2021-06-28 2021-06-28 一种储能站规划方法、装置及设备

Publications (2)

Publication Number Publication Date
CN113344426A CN113344426A (zh) 2021-09-03
CN113344426B true CN113344426B (zh) 2023-06-06

Family

ID=77479258

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110720537.5A Active CN113344426B (zh) 2021-06-28 2021-06-28 一种储能站规划方法、装置及设备

Country Status (1)

Country Link
CN (1) CN113344426B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108389211A (zh) * 2018-03-16 2018-08-10 西安电子科技大学 基于改进鲸鱼优化模糊聚类的图像分割方法
CN112132180A (zh) * 2020-08-14 2020-12-25 长沙民政职业技术学院 一种基于改进鲸鱼算法优化的模糊c核均值聚类分割方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10546215B2 (en) * 2014-03-30 2020-01-28 Stereovision Imaging, Inc. System and method for detecting potential matches between a candidate biometric and a dataset of biometrics
CN106549394B (zh) * 2016-12-07 2018-11-27 东北大学 基于双鱼群算法的电力无功优化系统及方法
CN112036611B (zh) * 2020-08-12 2022-06-07 国网山东省电力公司经济技术研究院 一种计及风险的电网优化规划方法
CN112163808B (zh) * 2020-09-23 2022-04-01 贵州工程应用技术学院 一种基于对立学习的自适应鲸鱼算法求解物流中心选址问题的方法
CN112163884A (zh) * 2020-09-29 2021-01-01 北京工商大学 基于改进的鲸鱼算法的电动汽车充电站选址建模方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108389211A (zh) * 2018-03-16 2018-08-10 西安电子科技大学 基于改进鲸鱼优化模糊聚类的图像分割方法
CN112132180A (zh) * 2020-08-14 2020-12-25 长沙民政职业技术学院 一种基于改进鲸鱼算法优化的模糊c核均值聚类分割方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A whale optimization algorithm(WOA) approach for clustering;Jhila Nasiri et al.;《Cogent Mathematics&Statistics》;1-13 *
基于改进WOA的电力负荷聚类分析及经济分配研究;宋吉祥;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;C042-1729 *

Also Published As

Publication number Publication date
CN113344426A (zh) 2021-09-03

Similar Documents

Publication Publication Date Title
CN108964102B (zh) 配电网中分布式储能的位置和容量优化配置方法
CN107591807B (zh) 一种新能源接入下的输电网规划的优化方法
CN114204547B (zh) 考虑源网荷储协同优化的配电网多措施组合降损优化方法
CN109600178A (zh) 一种边缘计算中能耗与时延和最小化的优化方法
CN112711895B (zh) 一种基于时段划分及改进粒子群算法的配电网重构方法
JP2024008787A (ja) ハイブリッドエネルギー貯蔵システムの制御方法、装置及び電子機器
CN113988384A (zh) 一种提高配电网可靠性的储能容量优化配置方法
CN114400712A (zh) 一种基于改进二阶粒子群算法的微电网群优化调度方法
CN113452037A (zh) 一种兼顾调频的光伏阵列重构优化方法
CN113344426B (zh) 一种储能站规划方法、装置及设备
CN109167113A (zh) 锂离子电池充电优化方法
CN108537369A (zh) 基于局部搜索的改进粒子群配电网重构算法
CN116191421A (zh) 一种基于改进nsga-ii算法的新型电力系统多目标优化调度方法
CN111146815B (zh) 一种智能配电网分布式发电规划配置方法
CN115587544A (zh) 基于改进哈里斯鹰优化算法的光伏模型的参数识别方法
CN114221350B (zh) 基于bas-iga算法的分布式光伏集群划分方法和系统
CN113361805B (zh) 一种配电网规划方法及系统
CN115021287A (zh) 三相不平衡治理的换相方法、系统、存储介质及设备
CN117559507B (zh) 一种构网型储能电站定容选址优化配置方法及系统
CN112952869B (zh) 一种计及风电接入的交直流混联系统扩展规划方法及系统
CN115441488B (zh) 一种电储能优选配置方法
CN108664749B (zh) 一种发电机调速器频率反馈系数的优化方法
CN116799826A (zh) 一种分布式光伏储能系统优化配置方法及相关装置
CN109586384B (zh) 一种电网中高可再生能源渗透的最优调节方法及装置
CN115642597B (zh) 一种分布式光伏承载力计算方法及装置

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20230410

Address after: Room 1503-1506, Unit 1, No. 168 Century Avenue, Nanyuan Street, Hangzhou City, Zhejiang Province, 311100

Applicant after: Yuhang branch of Hangzhou Electric Power Design Institute Co.,Ltd.

Applicant after: State Grid Zhejiang Electric Power Co., Ltd. Hangzhou Yuhang District Power Supply Co.

Applicant after: HANGZHOU POWER SUPPLY COMPANY, STATE GRID ZHEJIANG ELECTRIC POWER Co.,Ltd.

Address before: 311100 18F, ideal building, 168 Century Avenue, Nanyuan street, Yuhang District, Hangzhou City, Zhejiang Province

Applicant before: Yuhang branch of Hangzhou Electric Power Design Institute Co.,Ltd.

Applicant before: STATE GRID ZHEJIANG HANGZHOU YUHANG POWER SUPPLY Co.

Applicant before: HANGZHOU POWER SUPPLY COMPANY, STATE GRID ZHEJIANG ELECTRIC POWER Co.,Ltd.

GR01 Patent grant
GR01 Patent grant