CN113591378A

CN113591378A - 基于改进混合蛙跳算法的混合储能容量配置方法及设备

Info

Publication number: CN113591378A
Application number: CN202110848575.9A
Authority: CN
Inventors: 王晓彬; 邹海荣
Original assignee: Shanghai Dianji University
Current assignee: Shanghai Dianji University
Priority date: 2021-07-27
Filing date: 2021-07-27
Publication date: 2021-11-02

Abstract

本发明涉及一种基于改进混合蛙跳算法的混合储能容量配置方法及设备，所述方法包括以下步骤：基于历史数据构建混合储能容量优化配置数学模型；采用改进混合蛙跳算法求解所述混合储能容量优化配置数学模型，获得最优混合储能容量配置结果；所述改进混合蛙跳算法在子群内部更新过程中，基于子群个体平均值优化该子群内最差青蛙的位置。与现有技术相比，本发明采用的改进混合蛙跳算法不仅可以增大搜索范围，使得搜索精细化，也可以利用其他青蛙个体的位置来避免陷入局部最优，具有优化效果好、效率高等优点。

Description

基于改进混合蛙跳算法的混合储能容量配置方法及设备

技术领域

本发明属于电力系统领域的数据处理方法，涉及一种混合储能容量配置方法，尤其是涉及一种基于改进混合蛙跳算法的混合储能容量配置方法及设备。

背景技术

储能技术的引入，为提高间歇式能源发电并网应用提供了便捷有效的途径。储能系统装置的功率双向能力，可以平滑间歇性电源功率输出波动，可以跟踪调度计划出力、缩减间歇性电源预测功率误差，可以借“削峰填谷”方式降低间歇式能源丢弃率。而合理的配置储能系统容量是新能源发电系统经济可靠运行的重要保障。目前在求解储能系统容量多目标优化配置模型上，大多数是通过加权求和将多目标优化问题转化成单目标优化问题或者选取一个目标作为优化目标，然后通过群智能算法进行求解，以获得最优配置。

混合蛙跳算法(Shuffled Frog Leading Algorithm，SFLA)是一种启发式算法，可应用于上述混合储能容量配置问题。混合蛙跳算法通过启发式函数进行搜索，从而找到组合最优问题的解。算法结合了以遗传为基础的memetic算法(MA算法)和以社会行为为基础的粒子群优化算法(PSO算法)的优点，其特点是概念简单明了，需要调整的参数少，鲁棒性强，解决问题时计算速度快，寻找最优解的能力比普通算法强以及最为重要的易于编程实现的特点。随着研究的不断深入，混合蛙跳算法被广泛应用于复杂函数优化、无人机路径规划等诸多领域。但是现有的混合蛙跳算法仍然存在一些缺点，诸如求解精度不高、收敛速度慢、算法易陷入局部最优的问题。针对这些问题，近年来许多学者对其性能进行研究改进：对青蛙的觅食方式进行改进，增加个体搜索空间，增大获得优质解的概率；引入自适应同步因子，改变局部搜索蛙跳原则，增加种群的多样性；引入模拟退火(SA)、免疫接种(IV)、高斯变异和混沌扰动算子以提高SFLA算法的深度搜索能力和广度搜索能力。虽然以上研究在一定程度上提升了算法的优化能力，但随着更多复杂优化问题和严格实时性要求的提出，需要求解精度更高、优化性能更好的混合蛙跳算法，因此，对于混合蛙跳算法的改进仍然有较大空间。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种优化效果好、效率高的基于改进混合蛙跳算法的混合储能容量配置方法及设备。

本发明的目的可以通过以下技术方案来实现：

一种基于改进混合蛙跳算法的混合储能容量配置方法，该方法包括以下步骤：

基于历史数据构建混合储能容量优化配置数学模型；

采用改进混合蛙跳算法求解所述混合储能容量优化配置数学模型，获得最优混合储能容量配置结果；

所述改进混合蛙跳算法在子群内部更新过程中，基于子群个体平均值优化该子群内最差青蛙的位置。

进一步地，所述子群个体平均值采用子群内除最差青蛙和最优青蛙以外的青蛙个体的平均值。

进一步地，利用二分法求取所述子群个体平均值。

进一步地，所述子群个体平均值X_a的计算公式为：

式中，X_i是子群中不同于最优个体X_best和最差个体X_worst的青蛙个体，ρ表示青蛙个体数量。

进一步地，所述基于子群个体平均值优化该子群内最差青蛙的位置采用的公式为：

D_i＝c*rand()×(X_a-X_worst)

X_new＝X_worst+D_i

式中，D_i表示该子群中最差青蛙X_worst的第i次更新步长，X_a为子群个体平均值，rand()为0-1之间的随机数，c为加速因子，X_new为更新后的位置。

进一步地，所述加速因子的取值为1.5。

进一步地，所述改进混合蛙跳算法的子群内部更新过程具体为：

1)基于子群个体平均值更新最差青蛙X_worst的位置，获得X_new，若新解X_worst的适应度值优于原来，则用X_new代替X_worst，否则，进行下一步；

2)基于子群内最好解更新最差青蛙X_worst的位置，获得X_new，若新解X_worst的适应度值优于原来，则用X_new代替X_worst，否则，进行下一步；

3)基于全局最优解更新最差青蛙X_worst的位置，获得X_new，若新解X_worst的适应度值优于原来，则用X_new代替X_worst，否则，进行下一步；

4)随机产生一个解取代X_worst，返回步骤1)，直到满足搜索停止条件。

进一步地，所述搜索停止条件包括搜索次数达到设定最大值或者达到所设定收敛精度。

本发明还提供一种电子设备，包括：

一个或多个处理器；

存储器；和

被存储在存储器中的一个或多个程序，所述一个或多个程序包括用于执行如上所述基于改进混合蛙跳算法的混合储能容量配置方法的指令。

本发明还提供一种计算机可读存储介质，包括供电子设备的一个或多个处理器执行的一个或多个程序，所述一个或多个程序包括用于执行如上所述基于改进混合蛙跳算法的混合储能容量配置方法的指令。

与现有技术相比，本发明具有以下有益效果：

本发明应用改进混合蛙跳算法进行混合储能容量配置的优化求解，在改进混合蛙跳算法中应用数学思维二分法，将除最差青蛙以外的青蛙个体利用二分法求取平均值，再将最差青蛙依此位置进行进化，不仅增大搜索了范围，使得搜索精细化，除此之外，也可以利用其他青蛙个体的位置来避免陷入局部最优。在此基础上，克服现有技术中存在的收敛精度不足和易陷入局部最优的缺陷，从而提高了混合储能容量配置优化的精度和效率。

附图说明

图1为本发明的流程示意图；

图2为函数f1平均值的测试结果图，其中，(2a)为进化曲线，(2b)为局部放大图；

图3为函数f2平均值的测试结果图，其中，(3a)为进化曲线，(3b)为局部放大图；

图4为函数f3平均值的测试结果图，其中，(4a)为进化曲线，(4b)为局部放大图；

图5为函数f4平均值的进化曲线；

图6为函数f5平均值的测试结果图，其中，(6a)为进化曲线，(6b)为局部放大图；

图7为函数f6平均值的测试结果图，其中，(7a)为进化曲线，(7b)为局部放大图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

本发明提供一种基于改进混合蛙跳算法的混合储能容量配置方法，该方法包括以下步骤：基于历史数据构建混合储能容量优化配置数学模型；采用改进混合蛙跳算法求解所述混合储能容量优化配置数学模型，获得最优混合储能容量配置结果；其中，所述改进混合蛙跳算法在子群内部更新过程中，基于子群个体平均值优化该子群内最差青蛙的位置。

本方法中，对混合蛙跳算法中青蛙觅食的搜索过程重新定义，最差青蛙在局部搜索过程中并不直接向最优个体进化，在此过程中应用数学思维二分法，将除最差青蛙以外的青蛙个体利用二分法求取平均值，再将最差青蛙依此位置进行进化。每个个体都具有最优的潜质，这样不仅可以增大搜索范围，使得搜索精细化，除此之外，也可以利用其他青蛙个体的位置来避免陷入局部最优。对于步长的更新，则在考虑上一代青蛙位置的基础上，动态调整步长。

1、混合蛙跳算法

混合蛙跳算法(Shuffled Frog Leading Algorithm，SFLA)采用虚拟青蛙为研究对象，模拟青蛙的觅食行为。将青蛙个体看成思想或元信息的载体，寻找食物过程中可以与其他个体进行思想交流，又能通过信息传递调整其他蛙的元信息。蛙群采取特定的更新机制，在子群内部进行搜索，通过种群的混合进行全局信息交换，循环演进，从而获得最优目标。SFLA算法执行主要分为子群划分、子群内部更新和种群混合三部分。SFLA通过子种群内部思想交流和全局信息交换相结合的方式，有效克服了陷入局部极值，收敛速度慢等缺点，引导算法朝全局最优方向搜索。

I、子群划分

设青蛙总个体数量为Pop，子群的数目为Me，每个子群内含有n只青蛙，即Pop＝Me×n。用X_i＝(x_i1，x_i2，...，x_id)表示第i(1≤i≤Pop)只青蛙，d为解的维度，产生随机种群Pi＝(X₁，X₂，...，X_N)按适应度值进行降序排列，具体执行步骤为：第1只青蛙归入第1个子群，第2只青蛙归入第2个子群，第Me只青蛙归入第Me个子群，第Me+1只青蛙归入第1个子群...，以此规律递推，直至所有青蛙归入指定子群。

II、子群内部更新

子群内部更新即局部更新，设X_glo是整个蛙群中适应值最优解，X_best是某子群中适应值最优解，X_worst是该子群中适应值最差解。对每个分组进行子群内部搜索更新X_worst，随着子群的进化而实现整个种群的进化，且记录每次进化过程中的子群内最好解X_best与最差解X_worst，以及整个种群的最好解X_glo，具体更新策略如下。

式中：D_i表示该子群中适应度最差解X_worst的第i次更新步长，D_max是青蛙移动的最大步长，其中rand()为0-1之间的随机数。通过对最差解X_worst的更新得到新解X_new，即更新最差青蛙的位置，如果新解的适应度值优于原来的最差解，就用X_new代替X_worst，否则，就用全局最优解X_glo替代式(1)中的局部最优解X_best得到新的更新式(2)，对最差解进行更新。若新解的适应度仍比较差，则随机产生一个解取代X_worst重复上述计算，直到搜索次数达到设定最大值或者达到所设定收敛精度时停止搜索。

III、种群的混合

种群的混合即全局信息交流，当所有子群更新后，将所有分组重新混合，重新划分，子群重新执行内部更新直到终止条件(搜索到最优解或到达最大迭代次数)。在子群内部寻优中，子群内最差个体循环更新，完成了青蛙个体信息的局部交流，在整个种群混合过程中，完成了全局信息更新。

2、改进混合蛙跳算法ISFLA

本发明在SFLA算法理论基础上，针对子群内部更新策略中最差蛙X_w进行改进，以提高该算法在混合储能容量配置问题中求解精度和效率。

传统SFLA算法，最差青蛙更新后的新位置被限制在与最优蛙的线性区域内。最差蛙永远跳不过最优蛙，每一次修改只与子群或种群内的最优青蛙个体交换信息，并没有与其他个体进行充分的信息交换。忽略了其他蛙的有效优秀信息，降低了种群适应性，减少了种群多样性，致使种群早熟收敛。只采取X_best去调整子群中最差蛙，很容易导致青蛙个体间差异性逐渐减小，导致搜索规模变小，最后陷入局部最优。

针对上述问题，本发明对子群内部更新时适应度最差解的更新步长进行改进，在公式(1)和(2)的基础上增加如下更新步长获取方式：

D_i＝c*rand()×(X_a-X_worst) (4)

式中：X_i是青蛙种群中不同于X_best和X_worst的青蛙个体，ρ表示青蛙个体数量，c为加速因子，增加搜索收敛速度，c可取值为1.5。

上述改进中，首先对子种群适应度进行降序排列，选取除最优蛙和最差蛙的其他青蛙的平均值来调整最差蛙，不仅可以向X_best进化，也不忽略其他潜在优秀个体的信息。在有限的迭代次数内，使用二分法对最差蛙的信息进行更新，增加子群的多样性，使得搜索范围更广。当系统突然受到外界干扰时，因其群体数量多且均参与其中，使系统稳定性提升。改进混合蛙跳算法ISFLA的流程如图1所示。

为了测试改进后混合蛙跳算法的性能，本实施例选用6个30维的基准测试函数进行实验分析，各函数的表达式如下：

上述各函数的搜索范围、理论最优值和目标精度如表1所示。

表1

函数表达式	搜索范围	理论最优值	目标精度
				f<sub>1</sub>(x)	[-5.12，5.12]	0	1×10<sup>-16</sup>
f<sub>2</sub>(x)	[-5.12，5.12]	0	1×10<sup>1</sup>
				f<sub>3</sub>(x)	[-600，600]	0	1×10<sup>-2</sup>
f<sub>4</sub>(x)	[-32,32]	0	1×10<sup>-7</sup>
				f<sub>5</sub>(x)	[-10，10]	0	1×10<sup>-10</sup>
f<sub>6</sub>(x)	[-100，100]	0	1×10<sup>-4</sup>

设置混合蛙跳算法青蛙个体数为200，子种群数为20，每个子种群青蛙个体为10，最大迭代次数为500，在采用6种30维的基准测试函数f1～f6对标准混合蛙跳算法和改进混合蛙跳算法的性能进行测试，得到测试结果如表2和图2～图7所示。

表2

由表2可以看出，本发明采用的ISFLA的平均优化结果明显好于基本SFLA。ISFLA的运行时间与基本SFLA算法相当，ISFLA的标准差相对较小，表明该算法具有更好的稳定性。图2-图7是函数f1～f6采用改进算法运行30次后得到的平均值的进化曲线，在每幅图中，使用适应度值表示纵坐标的值，使用进化次数表示横坐标的值。从图中可以看出，ISFLA虽然在进化前期收敛速度较慢，但在中后期收敛速度明显快于原标准算法。除此之外，从图中可以看出，改进后的算法在达到表中所要求精度的迭代次数(最大迭代次数为500)要比改进前的迭代次数少，达到要求精度的迭代次数成功率高于原标准算法。以上结果说明ISFLA优化成功率高、收敛速度快，且具有较好的稳定性。

3、混合储能容量配置

本发明利用上述ISFLA算法进行混合储能容量配置，有效提高了混合储能容量配置优化的精度和效率。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims

1.一种基于改进混合蛙跳算法的混合储能容量配置方法，其特征在于，该方法包括以下步骤：

基于历史数据构建混合储能容量优化配置数学模型；

2.根据权利要求1所述的基于改进混合蛙跳算法的混合储能容量配置方法，其特征在于，所述子群个体平均值采用子群内除最差青蛙和最优青蛙以外的青蛙个体的平均值。

3.根据权利要求2所述的基于改进混合蛙跳算法的混合储能容量配置方法，其特征在于，利用二分法求取所述子群个体平均值。

4.根据权利要求3所述的基于改进混合蛙跳算法的混合储能容量配置方法，其特征在于，所述子群个体平均值X_a的计算公式为：

5.根据权利要求1所述的基于改进混合蛙跳算法的混合储能容量配置方法，其特征在于，所述基于子群个体平均值优化该子群内最差青蛙的位置采用的公式为：

D_i＝c*rand()×(X_a-X_worst)

X_new＝X_worst+D_i

6.根据权利要求5所述的基于改进混合蛙跳算法的混合储能容量配置方法，其特征在于，所述加速因子的取值为1.5。

7.根据权利要求1所述的基于改进混合蛙跳算法的混合储能容量配置方法，其特征在于，所述改进混合蛙跳算法的子群内部更新过程具体为：

8.根据权利要求7所述的基于改进混合蛙跳算法的混合储能容量配置方法，其特征在于，所述搜索停止条件包括搜索次数达到设定最大值或者达到所设定收敛精度。

9.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储器；和

被存储在存储器中的一个或多个程序，所述一个或多个程序包括用于执行如权利要求1-8任一所述基于改进混合蛙跳算法的混合储能容量配置方法的指令。

10.一种计算机可读存储介质，其特征在于，包括供电子设备的一个或多个处理器执行的一个或多个程序，所述一个或多个程序包括用于执行如权利要求1-8任一所述基于改进混合蛙跳算法的混合储能容量配置方法的指令。