CN115459311A - 基于改进粒子群优化算法的混合储能容量优化方法及系统 - Google Patents
基于改进粒子群优化算法的混合储能容量优化方法及系统 Download PDFInfo
- Publication number
- CN115459311A CN115459311A CN202211150755.0A CN202211150755A CN115459311A CN 115459311 A CN115459311 A CN 115459311A CN 202211150755 A CN202211150755 A CN 202211150755A CN 115459311 A CN115459311 A CN 115459311A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- particle swarm
- optimization algorithm
- swarm optimization
- hybrid energy
- 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.)
- Pending
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 242
- 238000004146 energy storage Methods 0.000 title claims abstract description 193
- 239000002245 particle Substances 0.000 title claims abstract description 190
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 171
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000006870 function Effects 0.000 claims abstract description 33
- 238000012423 maintenance Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims description 19
- 238000010276 construction Methods 0.000 claims description 7
- 230000001133 acceleration Effects 0.000 description 26
- 238000003860 storage Methods 0.000 description 26
- 239000003990 capacitor Substances 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000010248 power generation Methods 0.000 description 4
- 230000002028 premature Effects 0.000 description 4
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 229910001416 lithium ion Inorganic materials 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000000087 stabilizing effect Effects 0.000 description 2
- 238000005728 strengthening Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 235000003642 hunger Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000037351 starvation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
-
- 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]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
- H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Feedback Control In General (AREA)
Abstract
本公开提出一种基于改进粒子群优化算法的混合储能容量优化方法及系统，该方法包括获取混合储能系统中设备的数量、单价、运行系数、维护系数、缺电率阈值、储能量阈值；基于设备的数量、单价、运行系数、维护系数构造目标函数；基于负荷缺电率、混合储能系统储能量、电量、缺电率阈值和储能量阈值构造约束条件；在约束条件满足时，利用改进粒子群优化算法对目标函数进行求解，获得最优混合储能容量，基于最优混合储能容量对混合储能的容量进行控制，其中利用动态惯性权重和动态学习因子优化粒子群优化算法获得改进粒子群优化算法。根据本公开的方法，能够提升粒子群优化算法的寻优能力与速度、更好地降低混合储能成本以及更好地进行容量配置。
Description
技术领域
本公开涉及混合储能容量优化技术领域，尤其涉及一种基于改进粒子群优化算法的混合储能容量优化方法及系统。
背景技术
目前在电力系统中，储能技术在“源、网、荷、用”等领域均发挥巨大作用，传统储能技术多采用锂离子电池储能，然而锂离子电池存在循环寿命短，安全性能差和功率密度低等问题，严重影响储能工程的质量和经济性。与锂离子电池相比，超级电容器具有充放电速度快、功率密度大、循环寿命长、安全性能高等优点，这使得超级电容器是电力调频技术的新选择。特别是结合超级电容器和蓄电池的混合储能系统更是受到电力行业的关注。然而超级电容器和蓄电池的混合储能系统存在容量优化的问题。目前混合储能容量优化方法多数采用现有粒子群优化算法(PSO)研究容量优化配置问题，虽然收敛速度较快，但迭代容易出现局部极值点，难以逃离局部极值点的束缚。PSO优化算法中最佳位置与粒子速度大小相关，速度的局限性导致每个迭代步的搜索空间是一个有限区域，从而导致搜索范围无法扩展到整个可行解空间，不能保证搜索到全局最优解。因此，现有技术虽然在一定程度上能够进行容量优化配置，但是优化能力还有待提高。
发明内容
本公开提供了一种基于改进粒子群优化算法的混合储能容量优化方法及系统，主要目的在于提升粒子群优化算法的寻优能力与速度、更好地降低混合储能成本以及更好地进行容量配置。
根据本公开的第一方面实施例，提供了一种基于改进粒子群优化算法的混合储能容量优化方法，包括：
获取混合储能系统中设备的数量、单价、运行系数、维护系数、缺电率阈值、储能量阈值；
基于所述设备的数量、单价、运行系数、维护系数构造目标函数；
基于负荷缺电率、混合储能系统储能量、电量、所述缺电率阈值和所述储能量阈值构造约束条件；
在所述约束条件满足时，利用改进粒子群优化算法对目标函数进行求解，获得最优混合储能容量，基于所述最优混合储能容量对混合储能的容量进行控制，其中利用动态惯性权重和动态学习因子优化粒子群优化算法获得改进粒子群优化算法。
在本公开的一个实施例中，所述利用动态惯性权重和动态学习因子优化粒子群优化算法获得改进粒子群优化算法，包括：基于惯性权重起始值、迭代后期惯性权重值、最大迭代次数、第一随机值和第二随机值获得动态惯性权重；将动态惯性权重作为粒子群优化算法改进的惯性权重，结合动态学习因子得到改进粒子群优化算法。
在本公开的一个实施例中，所述将动态惯性权重作为粒子群优化算法改进的惯性权重，结合动态学习因子得到改进粒子群优化算法，包括：基于动态惯性权重、第一随机值和动态惯性权重获得动态学习因子；将动态惯性权重作为粒子群优化算法改进的惯性权重，将动态学习因子作为粒子群优化算法改进的学习因子，进而得到改进粒子群优化算法。
在本公开的一个实施例中，所述第一随机值为0至1间的随机数，所述第二随机值为1.5至2间的随机数。
在本公开的一个实施例中，所述约束条件包括负荷缺电率约束条件、混合储能系统储能量约束条件和电量约束条件。
根据本公开的第二方面实施例，还提供了一种基于改进粒子群优化算法的混合储能容量优化系统，包括：
获取模块，用于获取混合储能系统中设备的数量、单价、运行系数、维护系数、缺电率阈值、储能量阈值；
第一构建模块，用于基于所述设备的数量、单价、运行系数、维护系数构造目标函数；
第二构建模块，用于基于负荷缺电率、混合储能系统储能量、电量、所述缺电率阈值和所述储能量阈值构造约束条件；
处理控制模块，用于在所述约束条件满足时，利用改进粒子群优化算法对目标函数进行求解，获得最优混合储能容量，基于所述最优混合储能容量对混合储能的容量进行控制，其中利用动态惯性权重和动态学习因子优化粒子群优化算法获得改进粒子群优化算法。
在本公开的一个实施例中，所述处理控制模块，具体用于：基于惯性权重起始值、迭代后期惯性权重值、最大迭代次数、第一随机值和第二随机值获得动态惯性权重；将动态惯性权重作为粒子群优化算法改进的惯性权重，结合动态学习因子得到改进粒子群优化算法。
在本公开的一个实施例中，所述处理控制模块，具体用于：基于动态惯性权重、第一随机值和动态惯性权重获得动态学习因子；将动态惯性权重作为粒子群优化算法改进的惯性权重，将动态学习因子作为粒子群优化算法改进的学习因子，进而得到改进粒子群优化算法。
在本公开的一个实施例中，所述第一随机值为0至1间的随机数，所述第二随机值为1.5至2间的随机数。
根据本公开的第三方面实施例，还提供了一种基于改进粒子群优化算法的混合储能容量优化设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开的第一方面实施例提出的基于改进粒子群优化算法的混合储能容量优化方法。
在本公开一个或多个实施例中，获取混合储能系统中设备的数量、单价、运行系数、维护系数、缺电率阈值、储能量阈值；基于设备的数量、单价、运行系数、维护系数构造目标函数；基于负荷缺电率、混合储能系统储能量、电量、缺电率阈值和储能量阈值构造约束条件；在约束条件满足时，利用改进粒子群优化算法对目标函数进行求解，获得最优混合储能容量，基于最优混合储能容量对混合储能的容量进行控制，其中利用动态惯性权重和动态学习因子优化粒子群优化算法获得改进粒子群优化算法。在这种情况下，利用动态惯性权重和动态学习因子优化粒子群优化算法获得改进粒子群优化算法，利用改进粒子群优化算法对目标函数进行求解，获得最优混合储能容量，从而对混合储能的容量进行控制，能够提升粒子群优化算法的寻优能力与速度、更好地降低混合储能成本以及更好地进行容量配置。
本公开附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。
附图说明
本公开上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1示出本公开实施例提供的一种基于改进粒子群优化算法的混合储能容量优化方法的流程示意图；
图2示出本公开实施例提供的一种基于改进粒子群优化算法的混合储能容量优化系统的框图；
图3是用来实现本公开实施例的基于改进粒子群优化算法的混合储能容量优化方法的基于改进粒子群优化算法的混合储能容量优化设备的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开实施例相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开实施例的一些方面相一致的装置和方法的例子。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本公开的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本公开的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。还应当理解，本公开中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
下面详细描述本公开的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本公开，而不能理解为对本公开的限制。
本公开提供了一种基于改进粒子群优化算法的混合储能容量优化方法及系统，主要目的在于提升粒子群优化算法的寻优能力与速度、更好地降低混合储能成本以及更好地进行容量配置。
在第一个实施例中，图1示出本公开实施例提供的一种基于改进粒子群优化算法的混合储能容量优化方法的流程示意图。如图1所示，具体地，该基于改进粒子群优化算法的混合储能容量优化方法，包括：
步骤S11，获取混合储能系统中设备的数量、单价、运行系数、维护系数、缺电率阈值、储能量阈值。
在步骤S11中，混合储能系统的设备包括蓄电池和超级电容器，蓄电池和超级电容器的数量分别可以是多个。
步骤S12，基于设备的数量、单价、运行系数、维护系数构造目标函数。
具体地，在步骤S12中，基于设备的数量、单价、运行系数、维护系数构造全生命周期费用模型，以全生命周期费用最小为目标，获得目标函数。
全生命周期费用模型满足：
Lcc＝Co+CP+CM+CD
目标函数满足：
min Lcc＝CO+CP+CM+CD
＝(1+fob+fmb+fdb)NbPb+(1+foc+fdc)NcPc
式中，Lcc表示全生命周期费用；CO表示设备的运行费用；CP表示设备的购买费用；CM表示设备的维护费用；CD表示设备的处理费用；fob、foc分别表示蓄电池和超级电容器的运行系数；fmb表示蓄电池的维护系数，fdb、fdc分别表示蓄电池和超级电容器的处理系数，Nb、Nc分别表示蓄电池、超级电容器的数量；Pb、Pc分别表示蓄电池、超级电容器的单价。
步骤S13，基于负荷缺电率、混合储能系统储能量、电量、缺电率阈值和储能量阈值构造约束条件。
在步骤S13中，约束条件包括负荷缺电率约束条件、混合储能系统储能量约束条件和电量约束条件。
在一些实施例中，缺电率阈值为负荷允许的最大缺电率，基于负荷允许的最大缺电率和负荷缺电率构建负荷缺电率约束条件，负荷缺电率约束条件满足：
fLPSP≤fLPSPmax
式中，fLPSP为负荷缺电率，fLPSPmax为负荷允许的最大缺电率。
在一些实施例中，储能量阈值包括超级电容器组的最大储能量和最小储能量，蓄电池的额定储能量以及蓄电池最小剩余储能量，基于混合储能系统储能量和储能量阈值构造混合储能系统储能量约束条件，混合储能系统储能量约束条件满足：
式中，Eb(k)为蓄电池剩余储能量、Ec(k)为超级电容器组的储能量、Ebmin为蓄电池最小剩余储能量、Ecmax、Ecmin分别表示超级电容器组的最大储能量、最小储能量，Ebn为蓄电池的额定储能量。
在一些实施例中，蓄电池最小剩余储能量满足：
Ebmin＝NbCbUb(1-DOD)/106
式中，Ub表示蓄电池的额定电压(单位：V)；Cb表示蓄电池的额定电容量(单位：Ah)；DOD表示最大放电深度。
在一些实施例中，超级电容器组的最大储能量满足：
超级电容器组的最小储能量满足：
式中，Ucmax为超级电容器的最大端电压，Ucmin为超级电容器的最小端电压，Cc表示超级电容器的电容值。
在一些实施例中，电量约束条件满足：
Eb(k)≤μΔE
ΔE＝(Ew(k)+Epv(k))ηc-EL(k)
式中μ表示比例系数，Ew(k)、Epv(k)、EL(k)分别为k时刻风能、太阳能、负荷的电量；ηc是逆变器的功率转换效率。
在本实施例中，基于步骤S12的目标函数与步骤S13的约束条件组成了混合储能系统的容量优化配置模型，其中混合储能系统为利用蓄电池与超级电容器作为风光互补系统的混合储能装置。容量优化配置模型以全生命周期费用最小为目标，以负荷缺电率、储能系统储能量和电量为约束条件。
步骤S14，在约束条件满足时，利用改进粒子群优化算法对目标函数进行求解，获得最优混合储能容量，基于最优混合储能容量对混合储能的容量进行控制，其中利用动态惯性权重和动态学习因子优化粒子群优化算法获得改进粒子群优化算法。
在步骤S14中，在约束条件满足时，利用改进粒子群优化算法对目标函数进行求解，获得最优混合储能容量，也即对容量优化配置模型进行求解获得最优混合储能容量。
在步骤S14中，易于理解地，粒子群优化算法(Particle Swarm optimization，PSO)是一种群体优化算法，是一种基于迭代的优化工具，与其他智能算法相比，其优势在于简单、实现容易、鲁棒性好、精度高、收敛快，适合在工程实践中应用。
在该粒子群优化算法中，搜索空间里面的粒子根据粒子自身的经验和其他粒子的经验来变换粒子自身的位置.通过不断地更新自己的位置，最终找到最佳点PSO采用“速度-位移”搜索模型，PSO算法是模拟鸟类捕食的一种方法，粒子群算法的个体称为“粒子”(Particle)，分布在多维的搜索空间内，粒子在搜索空间的变化是基于社会心理学中的个体模仿他人成功的经历.群体由一组粒子组成，每个粒子都是一种潜在的解决方案，每个粒子的位置变化是根据它自身的经验和其相邻粒子的经验所决定的。
表示粒子的位置，粒子的位置改变是通过给当前位置加上粒子的速度
为了改变基本PSO算法的收敛性能，在速度方程中引入惯性权重ω(inertia weight)，则为标准的PSO算法，其速度更新公式为：
式中，ω表示惯性权重；C1为第一加速因子，C2为第二加速因子，r1、r2表示是分布于[0，1]区间随机数；i是当前迭代次数，
为第i次迭代次数时粒子的速度，
为第i次迭代次数时粒子的位置，
分别表示个体极值与群体极值(即最优位置)，若惯性权重ω设置为线性下降时，在搜索开始时能够比较快的确定最优解的大致位置，而随着惯性权重ω的逐渐减小，粒子的速度也会变慢，益于局部进行精细搜索，提高了算法的性能。
考虑到惯性权重线性递减的粒子群优化算法中，由于在粒子群优化算法的搜索后期，粒子群优化算法容易出现过早收敛于局部极值的缺点，种群中粒子的位置缺乏多样性，因此对惯性权重进行改进，利用动态惯性权重和动态学习因子优化粒子群优化算法获得改进粒子群优化算法。由此，能够让粒子在搜索初期尽最大的可能飞跃整个搜索空间，实现粒子多样性，从而避免过早收敛于局部极值。
在步骤S14中，利用动态惯性权重和动态学习因子优化粒子群优化算法获得改进粒子群优化算法，包括：基于惯性权重起始值、迭代后期惯性权重值、最大迭代次数、第一随机值和第二随机值获得动态惯性权重；将动态惯性权重作为粒子群优化算法改进的惯性权重，结合动态学习因子得到改进粒子群优化算法。改进的惯性权重(即动态惯性权重)满足：
式中，i为粒子的当前迭代次数，ωstart为迭代开始权重起始值(即惯性权重起始值)，ωend为迭代后期权重值(即迭代后期惯性权重值)，T表示最大迭代次数，rand(0，1)为第一随机值，第一随机值表示随机选择[0,1]之间数据(即第一随机值为0至1间的随机数)，rand(1.5,2)为第二随机值，第二随机值表示随机选择[1.5,2]之间数据(即第二随机值为1.5至2间的随机数)。
在步骤S14中，将动态惯性权重作为粒子群优化算法改进的惯性权重，结合动态学习因子得到改进粒子群优化算法，包括：基于动态惯性权重、第一随机值和动态惯性权重获得动态学习因子；将动态惯性权重作为粒子群优化算法改进的惯性权重，将动态学习因子作为粒子群优化算法改进的学习因子，进而得到改进粒子群优化算法。在这种情况下，对惯性权重进行改进，并基于改进的惯性权重优化加速因子，改进了粒子群优化算法，降低混合储能系统全生命周期费用，加快了系统达到最优值的收敛速度。避免当目标函数比较复杂时，像普通的粒子群优化算法那样陷入局部最优，以及出现后期的收敛速度慢，整个算法的精度下降的问题。
具体地，由于粒子群优化算法中，第一加速因子C1和第二加速因子C2对搜索结果也会产生较大影响，现有技术中通常将加速因子设置为固定值，具有一定的局限性，考虑到影响粒子群优化算法的效率和精度的参数主要有惯性权重ω、第一加速因子(也称个体认知因子)C1和第二加速因子(也称群体认知因子)C2。当惯性权重ω较大时，算法有着更好的全局搜索能力；第一加速因子C1较小、第二加速因子C2较大时，有着更好的局部搜索能力。因此，在本公开中使用线性递减策略对惯性权重ω进行改进，使其在初始迭代阶段有着很好的全局搜索能力，随着迭代进行，粒子的速度逐渐减小，有着更好的局部搜索能力。为了在初始阶段控制第一加速因子C1取较大值、第二加速因子C2取较小值，加强全局搜索能力，并且在最后迭代阶段加强局部搜索能力，使用正余弦函数来控制第一加速因子C1、第二加速因子C2，让第一加速因子C1的值能够非线性地减小，第二加速因子C2的值非线性地增加，加强了粒子全局最优的收敛能力。优化的第一加速因子C1和第二加速因子C2满足：
式中，C1为第一加速因子，C2为第二加速因子。
在步骤S14中利用改进粒子群算法对目标函数进行求解，获得最优混合储能容量，基于最优混合储能容量对混合储能的容量进行控制。其中，最优混合储能容量包括最优蓄电池储能容量和最优超级电容器储能容量。
为了验证上述基于改进粒子群优化算法的混合储能容量优化方法，进行了仿真验证。
在验证时迭代开始权重起始值ωstart取1.1，权要迭代后期权重值ωend取0.4，最大迭代次数为100。迭代100次后发现，在整体搜寻的前期，ω取大值的概率大，说明全局搜寻能力增强，而后期ω取较小值的概率大，局部开发的能力受到了加强。提高了种群的多样性，提高了局部搜索的能力。通过仿真，验证了所提方法在混合储能容量优化配置中的可行性与有效性。
在本公开实施例的基于改进粒子群优化算法的混合储能容量优化方法中，获取混合储能系统中设备的数量、单价、运行系数、维护系数、缺电率阈值、储能量阈值；基于设备的数量、单价、运行系数、维护系数构造目标函数；基于负荷缺电率、混合储能系统储能量、电量、缺电率阈值和储能量阈值构造约束条件；在约束条件满足时，利用改进粒子群优化算法对目标函数进行求解，获得最优混合储能容量，基于最优混合储能容量对混合储能的容量进行控制，其中利用动态惯性权重和动态学习因子优化粒子群优化算法获得改进粒子群优化算法。在这种情况下，利用动态惯性权重和动态学习因子优化粒子群优化算法获得改进粒子群优化算法，利用改进粒子群优化算法对目标函数进行求解，获得最优混合储能容量，从而对混合储能的容量进行控制，能够提升粒子群优化算法的寻优能力与速度、更好地降低混合储能成本以及更好地进行容量配置。在本公开中，利用粒子群优化算法寻优特点，采用改进的惯性权重值计算，同时基于改进的惯性权重值优化加速因子，提升了粒子群算法的局部搜索能力、全局寻优能力和速度，进而降低了混合储能系统的全生命周期费用。其中，首先考虑惯性权重对粒子群优化算法的影响较大，提出改进惯性权重，引入动态惯性权重让粒子在搜索初期尽最大的可能飞跃整个搜索空间，实现粒子多样性，从而避免过早收敛于局部极值，提升粒子群寻优能力及迭代次数，降低混合储能系统全生命周期费用，其次在改进惯性权重基础上，考虑加速因子对粒子群寻优的影响，将第一加速因子和第二加速因子由原来的固定值改为动态加速因子从而加快其收敛速度，进一步降低混合储能系统全生命周期费用，加快了系统达到最优值的收敛速度。本公开的方法是一种基于改进惯性权重和学习因子(即加速因子)的粒子群优化算法的混合储能容量优化方法，能够用于平抑风电波动的混合储能容量优化配置，可以提高风储联合发电系统的电能质量，降低风力发电并网功率的波动，提高系统运行的稳定性和经济性。
下述为本公开系统实施例，可以用于执行本公开方法实施例。对于本公开系统实施例中未披露的细节，请参照本公开方法实施例。
请参见图2，图2示出本公开实施例提供的一种基于改进粒子群优化算法的混合储能容量优化系统的框图。该基于改进粒子群优化算法的混合储能容量优化系统10包括获取模块11、第一构建模块12、第二构建模块13和处理控制模块14，其中：
获取模块11，用于获取混合储能系统中设备的数量、单价、运行系数、维护系数、缺电率阈值、储能量阈值；
第一构建模块12，用于基于设备的数量、单价、运行系数、维护系数构造目标函数；
第二构建模块13，用于基于负荷缺电率、混合储能系统储能量、电量、缺电率阈值和储能量阈值构造约束条件；
处理控制模块14，用于在约束条件满足时，利用改进粒子群优化算法对目标函数进行求解，获得最优混合储能容量，基于最优混合储能容量对混合储能的容量进行控制，其中利用动态惯性权重和动态学习因子优化粒子群优化算法获得改进粒子群优化算法。
可选地，处理控制模块14，具体用于：基于惯性权重起始值、迭代后期惯性权重值、最大迭代次数、第一随机值和第二随机值获得动态惯性权重；将动态惯性权重作为粒子群优化算法改进的惯性权重，结合动态学习因子得到改进粒子群优化算法。
可选地，处理控制模块14，具体用于：基于动态惯性权重、第一随机值和动态惯性权重获得动态学习因子；将动态惯性权重作为粒子群优化算法改进的惯性权重，将动态学习因子作为粒子群优化算法改进的学习因子，进而得到改进粒子群优化算法。
可选地，第一随机值为0至1间的随机数，第二随机值为1.5至2间的随机数。
需要说明的是，前述对基于改进粒子群优化算法的混合储能容量优化方法实施例的解释说明也适用于该实施例的基于改进粒子群优化算法的混合储能容量优化系统，此处不在赘述。
在本公开实施例的基于改进粒子群优化算法的混合储能容量优化系统中，获取模块获取混合储能系统中设备的数量、单价、运行系数、维护系数、缺电率阈值、储能量阈值；第一构建模块基于设备的数量、单价、运行系数、维护系数构造目标函数；第二构建模块基于负荷缺电率、混合储能系统储能量、电量、缺电率阈值和储能量阈值构造约束条件；处理控制模块在约束条件满足时，利用改进粒子群优化算法对目标函数进行求解，获得最优混合储能容量，基于最优混合储能容量对混合储能的容量进行控制，其中利用动态惯性权重和动态学习因子优化粒子群优化算法获得改进粒子群优化算法。在这种情况下，利用动态惯性权重和动态学习因子优化粒子群优化算法获得改进粒子群优化算法，利用改进粒子群优化算法对目标函数进行求解，获得最优混合储能容量，从而对混合储能的容量进行控制，能够提升粒子群优化算法的寻优能力与速度、更好地降低混合储能成本以及更好地进行容量配置。在本公开中，利用粒子群优化算法寻优特点，采用改进的惯性权重值计算，同时基于改进的惯性权重值优化加速因子，提升了粒子群算法的局部搜索能力、全局寻优能力和速度，进而降低了混合储能系统的全生命周期费用。其中，首先考虑惯性权重对粒子群优化算法的影响较大，提出改进惯性权重，引入动态惯性权重让粒子在搜索初期尽最大的可能飞跃整个搜索空间，实现粒子多样性，从而避免过早收敛于局部极值，提升粒子群寻优能力及迭代次数，降低混合储能系统全生命周期费用，其次在改进惯性权重基础上，考虑加速因子对粒子群寻优的影响，将第一加速因子和第二加速因子由原来的固定值改为动态加速因子从而加快其收敛速度，进一步降低混合储能系统全生命周期费用，加快了系统达到最优值的收敛速度。本公开的系统是一种基于改进惯性权重和学习因子的粒子群优化算法的混合储能容量优化系统，能够用于平抑风电波动的混合储能容量优化配置，可以提高风储联合发电系统的电能质量，降低风力发电并网功率的波动，提高系统运行的稳定性和经济性。
根据本公开的实施例，本公开还提供了一种基于改进粒子群优化算法的混合储能容量优化设备、一种可读存储介质和一种计算机程序产品。
图3是用来实现本公开实施例的基于改进粒子群优化算法的混合储能容量优化方法的基于改进粒子群优化算法的混合储能容量优化设备的框图。基于改进粒子群优化算法的混合储能容量优化设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。基于改进粒子群优化算法的混合储能容量优化设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴基于改进粒子群优化算法的混合储能容量优化设备和其它类似的计算装置。本公开所示的部件、部件的连接和关系、以及部件的功能仅仅作为示例，并且不意在限制本公开中描述的和/或者要求的本公开的实现。
如图3所示，基于改进粒子群优化算法的混合储能容量优化设备20包括计算单元21，其可以根据存储在只读存储器(ROM)22中的计算机程序或者从存储单元28加载到随机访问存储器(RAM)23中的计算机程序，来执行各种适当的动作和处理。在RAM 23中，还可存储基于改进粒子群优化算法的混合储能容量优化设备20操作所需的各种程序和数据。计算单元21、ROM 22以及RAM 23通过总线24彼此相连。输入/输出(I/O)接口25也连接至总线24。
基于改进粒子群优化算法的混合储能容量优化设备20中的多个部件连接至I/O接口25，包括：输入单元26，例如键盘、鼠标等；输出单元27，例如各种类型的显示器、扬声器等；存储单元28，例如磁盘、光盘等，存储单元28与计算单元21通信连接；以及通信单元29，例如网卡、调制解调器、无线通信收发机等。通信单元29允许基于改进粒子群优化算法的混合储能容量优化设备20通过诸如因特网的计算机网络和/或各种电信网络与其他基于改进粒子群优化算法的混合储能容量优化设备交换信息/数据。
计算单元21可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元21的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元21执行上述所描述的各个方法和处理，例如执行基于改进粒子群优化算法的混合储能容量优化方法。例如，在一些实施例中，基于改进粒子群优化算法的混合储能容量优化方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元28。在一些实施例中，计算机程序的部分或者全部可以经由ROM 22和/或通信单元29而被载入和/或安装到基于改进粒子群优化算法的混合储能容量优化设备20上。当计算机程序加载到RAM 23并由计算单元21执行时，可以执行上述描述的基于改进粒子群优化算法的混合储能容量优化方法的一个或多个步骤。备选地，在其他实施例中，计算单元21可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行基于改进粒子群优化算法的混合储能容量优化方法。
本公开中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑基于改进粒子群优化算法的混合储能容量优化设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或基于改进粒子群优化算法的混合储能容量优化设备使用或与指令执行系统、装置或基于改进粒子群优化算法的混合储能容量优化设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或基于改进粒子群优化算法的混合储能容量优化设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存基于改进粒子群优化算法的混合储能容量优化设备、磁储存基于改进粒子群优化算法的混合储能容量优化设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本公开在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (10)
1.一种基于改进粒子群优化算法的混合储能容量优化方法，其特征在于，包括：
获取混合储能系统中设备的数量、单价、运行系数、维护系数、缺电率阈值、储能量阈值；
基于所述设备的数量、单价、运行系数、维护系数构造目标函数；
基于负荷缺电率、混合储能系统储能量、电量、所述缺电率阈值和所述储能量阈值构造约束条件；
在所述约束条件满足时，利用改进粒子群优化算法对目标函数进行求解，获得最优混合储能容量，基于所述最优混合储能容量对混合储能的容量进行控制，其中利用动态惯性权重和动态学习因子优化粒子群优化算法获得改进粒子群优化算法。
2.如权利要求1所述的基于改进粒子群优化算法的混合储能容量优化方法，其特征在于，所述利用动态惯性权重和动态学习因子优化粒子群优化算法获得改进粒子群优化算法，包括：
基于惯性权重起始值、迭代后期惯性权重值、最大迭代次数、第一随机值和第二随机值获得动态惯性权重；
将动态惯性权重作为粒子群优化算法改进的惯性权重，结合动态学习因子得到改进粒子群优化算法。
3.如权利要求2所述的基于改进粒子群优化算法的混合储能容量优化方法，其特征在于，所述将动态惯性权重作为粒子群优化算法改进的惯性权重，结合动态学习因子得到改进粒子群优化算法，包括：
基于动态惯性权重、第一随机值和动态惯性权重获得动态学习因子；
将动态惯性权重作为粒子群优化算法改进的惯性权重，将动态学习因子作为粒子群优化算法改进的学习因子，进而得到改进粒子群优化算法。
4.如权利要求3所述的基于改进粒子群优化算法的混合储能容量优化方法，其特征在于，所述第一随机值为0至1间的随机数，所述第二随机值为1.5至2间的随机数。
5.如权利要求1所述的基于改进粒子群优化算法的混合储能容量优化方法，其特征在于，所述约束条件包括负荷缺电率约束条件、混合储能系统储能量约束条件和电量约束条件。
6.一种基于改进粒子群优化算法的混合储能容量优化系统，其特征在于，包括：
获取模块，用于获取混合储能系统中设备的数量、单价、运行系数、维护系数、缺电率阈值、储能量阈值；
第一构建模块，用于基于所述设备的数量、单价、运行系数、维护系数构造目标函数；
第二构建模块，用于基于负荷缺电率、混合储能系统储能量、电量、所述缺电率阈值和所述储能量阈值构造约束条件；
处理控制模块，用于在所述约束条件满足时，利用改进粒子群优化算法对目标函数进行求解，获得最优混合储能容量，基于所述最优混合储能容量对混合储能的容量进行控制，其中利用动态惯性权重和动态学习因子优化粒子群优化算法获得改进粒子群优化算法。
7.如权利要求6所述的基于改进粒子群优化算法的混合储能容量优化系统，其特征在于，所述处理控制模块，具体用于：
基于惯性权重起始值、迭代后期惯性权重值、最大迭代次数、第一随机值和第二随机值获得动态惯性权重；将动态惯性权重作为粒子群优化算法改进的惯性权重，结合动态学习因子得到改进粒子群优化算法。
8.如权利要求7所述的基于改进粒子群优化算法的混合储能容量优化系统，其特征在于，所述处理控制模块，具体用于：
基于动态惯性权重、第一随机值和动态惯性权重获得动态学习因子；将动态惯性权重作为粒子群优化算法改进的惯性权重，将动态学习因子作为粒子群优化算法改进的学习因子，进而得到改进粒子群优化算法。
9.如权利要求8所述的基于改进粒子群优化算法的混合储能容量优化系统，其特征在于，所述第一随机值为0至1间的随机数，所述第二随机值为1.5至2间的随机数。
10.一种基于改进粒子群优化算法的混合储能容量优化设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-5中任一项所述的基于改进粒子群优化算法的混合储能容量优化方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211150755.0A CN115459311A (zh) | 2022-09-21 | 2022-09-21 | 基于改进粒子群优化算法的混合储能容量优化方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211150755.0A CN115459311A (zh) | 2022-09-21 | 2022-09-21 | 基于改进粒子群优化算法的混合储能容量优化方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115459311A true CN115459311A (zh) | 2022-12-09 |
Family
ID=84305082
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211150755.0A Pending CN115459311A (zh) | 2022-09-21 | 2022-09-21 | 基于改进粒子群优化算法的混合储能容量优化方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115459311A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116956593A (zh) * | 2023-07-24 | 2023-10-27 | 中交第二公路勘察设计研究院有限公司 | 一种公路隧道用电的风光水储互补系统容量配置方法 |
| CN117293897A (zh) * | 2023-09-08 | 2023-12-26 | 国网江苏省电力有限公司扬州供电分公司 | 一种分布式电源集群风光储配置方法及系统 |
-
2022
- 2022-09-21 CN CN202211150755.0A patent/CN115459311A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116956593A (zh) * | 2023-07-24 | 2023-10-27 | 中交第二公路勘察设计研究院有限公司 | 一种公路隧道用电的风光水储互补系统容量配置方法 |
| CN117293897A (zh) * | 2023-09-08 | 2023-12-26 | 国网江苏省电力有限公司扬州供电分公司 | 一种分布式电源集群风光储配置方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115459311A (zh) | 基于改进粒子群优化算法的混合储能容量优化方法及系统 | |
| Dou et al. | Decentralised coordinated control of microgrid based on multi‐agent system | |
| CN117039895A (zh) | 一种用于储能辅助黑启动的风功率预测方法及系统 | |
| CN113988384A (zh) | 一种提高配电网可靠性的储能容量优化配置方法 | |
| Sun et al. | A new design of fuzzy logic control for SMES and battery hybrid storage system | |
| CN115459310A (zh) | 基于改进变分模态分解的混合储能容量优化方法及系统 | |
| CN117154736A (zh) | 一种混合储能系统参与火电机组深度调峰优化方法及系统 | |
| CN116885795A (zh) | 微电网源网荷储协同调度方法、装置、设备以及存储介质 | |
| CN118232424B (zh) | 多目标优化的源荷储容量配置方法、装置 | |
| Zhang et al. | Sequence control strategy for hybrid energy storage system for wind smoothing | |
| CN112531689A (zh) | 受端电力系统的源网荷储协调控制能力评估方法和设备 | |
| CN115347586A (zh) | 多约束多目标优化的新能源场站储能优化配置系统与方法 | |
| Kamel et al. | Optimal allocation of a wind turbine and battery energy storage systems in distribution networks based on the modified BES-optimizer | |
| CN114298383A (zh) | 一种虚拟电厂储能容量配置方法及装置 | |
| CN117973859A (zh) | 一种主配电网的风险防控方法、装置、设备和介质 | |
| Yu et al. | Control scheme to extend lifetime of BESS for assisting wind farm to track power generation plan based on wind power feature extraction | |
| CN116307511A (zh) | 一种园区电网储能配置方法、装置、设备及介质 | |
| CN110135621A (zh) | 一种基于pso优选模型参数的短期电力负荷预测方法 | |
| Tongyu et al. | Based on deep reinforcement learning algorithm, energy storage optimization and loss reduction strategy for distribution network with high proportion of distributed generation | |
| CN113659636A (zh) | 分布不确定性条件下N-k分布鲁棒机组控制方法及装置 | |
| Wang et al. | Entropy weight and grey relational analysis based virtual capacitance collaborative control for multiple energy storage units | |
| Selim et al. | Developed Algorithm Based on Lightning Search optimizer and Analytical Technique for Allocation of Distribution Generators | |
| CN118381021B (zh) | 一种电能质量概率性优化管控方法、系统、装置及介质 | |
| CN116436057B (zh) | 一种储能站运行策略的确定方法、装置、设备及介质 | |
| CN118353073B (zh) | 基于经验模态分解的新能源储能优化配置方法及装置 |
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 |