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。
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
和各个聚类中最优鲸鱼个体/>
适应度值计算公式:
目标函数为求解最大化问题时:
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:
式中,t表示当前的迭代次数,
表示第t代中最优的鲸鱼个体位置,/>
表示第t代第k聚类中最优的鲸鱼个体位置,/>
随着每次迭代不断更新自身的位置。/>
为摆动因子,由下式计算所得:
鲸鱼根据领头鲸的位置而更新,位置更新公式如下:
其中,α
1、α
2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;
为收敛因子,由式(8)计算得出。
在式(5)和式(8)中,
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。
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:
式中,
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:
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
的值的变化使得鲸鱼在本阶段进行更大范围的搜索。当
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:
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
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。