CN115660433A - 一种基于飞虫寻光移动原理的光伏电站规划方法 - Google Patents

Abstract

本发明公开了一种基于飞虫寻光移动原理的光伏电站规划方法包括：考虑实际需求与经济因素，建立光伏电站选址定容优化数学模型；获取光伏电站的相关数据，设置光伏电站规划的约束条件；定义环境影响度函数并设计引力函数；在约束范围内初始化参数，并对飞虫i的初始位置进行随机赋值，得到实际问题中的光伏电站的初始值；权衡不同目标函数之间的权重，进行基于约束优先的帕雷托最优化处理；设计飞虫移动过程中的移动步长策略，计算目标函数值并判断是否满足算法设定的收敛条件，若不满足算法设定的收敛条件，则继续进行迭代进化，若满足算法设定的收敛条件，则终止算法。本发明提高了光伏电站选址定容的科学性，具有良好的经济效益与实用效益。

Description

一种基于飞虫寻光移动原理的光伏电站规划方法

技术领域

本发明涉及新能源光伏电站规划的技术领域，尤其涉及一种基于飞虫寻光移动原理的光伏电站规划方法。

背景技术

光伏发电作为一种绿色环保的发电方式，近些年来得到了大力推广和应用。贵州市太阳能资源十分丰富，非常适合发展光伏发电技术。然而，光伏电站的建设成本较高，运维费用较大，光伏电站的规划选址方法则显得尤为重要，不合理的规划建设将造成巨大的经济损失，并对电网的运行产生较大影响。因此，如何对光伏电站进行规划建设，具有重大意义与实际价值。

在自然界中，飞虫的寻光移动现象普遍存在。最初随机分布在空间内的一只飞虫，根据自身所在的位置与环境影响度计算出其亮度，亮度高的飞虫会吸引附近的其他飞虫向其移动；而没有在附近找到更高亮度同伴的飞虫，则会随机移动，直到其也聚集到较亮的飞虫周围。

飞虫寻光移动这一原理，与用户侧如何寻找召集到最佳光伏电站问题具有十分相似的情况。而飞虫的位置恰好可以作为光伏电站选址的结果，聚集到该处的飞虫亮度可以作为光伏电站的容量。因此，本发明基于飞虫寻光移动原理提出了一种光伏电站的选址定容规划方案，提高了光伏电站选址定容的科学性，具有良好的经济效益与实用效益。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有不合理的光伏电站规划建设不仅造成巨大的经济损失，还对电网的运行产生较大影响的问题，提出了本发明。

因此，本发明目的是提供一种基于飞虫寻光移动原理的光伏电站规划方法。

为解决上述技术问题，本发明提供如下技术方案：

作为本发明所述的基于飞虫寻光移动原理的光伏电站规划方法，其中：根据建设费用、运维费用、光伏电站的设备损耗费用、光伏电站的铺道建设费用以及用户使用过程中的调度费用建立光伏电站选址定容优化数学模型；

获取光伏电站的相关数据，设置光伏电站规划的约束条件；

定义环境影响度函数并设计引力函数；

在约束范围内，对最大亮度，环境影响度系数，移动步长系数初值，最大迭代次数初始化，并对飞虫i的初始位置进行随机赋值，得到实际问题中的光伏电站的初始值；

权衡不同目标函数之间的权重，进行基于约束优先的帕雷托最优化处理；

设计飞虫移动过程中的移动步长策略，计算目标函数值并判断是否满足算法设定的收敛条件，若不满足算法设定的收敛条件，则继续进行迭代进化，若满足算法设定的收敛条件，则终止算法。

作为本发明所述的基于飞虫寻光移动原理的光伏电站规划方法，其中：根据建设费用、运维费用和光伏电站的电能损耗建立光伏电站选址定容优化数学模型包括，

光伏电站最优规划的目标函数如下：

其中，Fee表示光伏电站在整个运行周期内换算到每一年的费用，N表示区域内建设光伏电站的数量，Fee_1i表示第i个光伏电站的一次投资折算到每年的费用，Fee_2i表示第i个光伏电站的维护检修年费用，Fee_3i表示第i个光伏电站的设备损耗费用，Fee_4i表示第i个光伏电站的辅道建设折算到每年的费用，Fee_5i表示光伏电站将电能调度到所需用户过程中的调度平均消耗成本。

作为本发明所述的基于飞虫寻光移动原理的光伏电站规划方法，其中：所述光伏电站规划的约束条件包括光伏电站的数量约束、光伏电站的容量约束、光伏电站之间的距离约束以及需求侧到光伏电站的距离约束。

作为本发明所述的基于飞虫寻光移动原理的光伏电站规划方法，其中：所述光伏电站数量约束公式如下：

N_min≤N≤N_max

其中，N_min和N_max分别表示规划区域内光伏电站应建设的最小数量和允许建设的最大数量。

作为本发明所述的基于飞虫寻光移动原理的光伏电站规划方法，其中：所述光伏电站容量约束公式如下：

P_min≤P_i≤P_max i＝1,2,…,N

其中，P_min和P_max分别表示光伏电站应配置的最小容量和最大容量。

作为本发明所述的基于飞虫寻光移动原理的光伏电站规划方法，其中：所述光伏电站之间的距离约束公式如下：

DR_min≤DR_ij≤DR_max i,j＝1,2,…,N,i≠j

其中，DR_ij表示两个光伏电站间的距离，DR_min和DR_max分别表示两个光伏电站间所允许距离的下限和上限。

作为本发明所述的基于飞虫寻光移动原理的光伏电站规划方法，其中：所述需求侧到光伏电站的距离约束公式如下：

dr_ij≤dr_max i＝1,2,…,N,j＝1,2,…,N_cruss

其中，dr_ij表示需求侧到光伏电站的距离，dr_max表示从需求侧到光伏电站的最远里程，N_cruss表示需求侧用户数量。

作为本发明所述的基于飞虫寻光移动原理的光伏电站规划方法，其中：定义环境影响度函数并设计引力函数包括，

根据飞虫的光亮度受环境影响，得到光亮度与环境影响度函数是成反比的，每一个飞虫可被视作一个问题的相关解，可表示为A(r)∝f(s)，光亮度随着距离的增大而不断减小，具体计算公式为：

其中，A(r)代表飞虫光亮度，f(s)代表相关解的环境影响度，A₀代表光源处的亮度，θ代表环境影响度系数，r_ij为两只飞虫s_i和s_j之间的欧式距离，具体计算公式为：

其中，s_ik表示火虫s_i在第k维度上的相关值，s_jk表示火虫s_j在第k维度上的相关值。

将引力函数设计为单调递减函数：

其中，两只飞虫距离为0时，引力最大为f₀，n结合实际情况取值为2，Λ代表对于给定优化问题的规模，参数θ的初始值被设置为

θ的值对于算法的收敛性有着重大影响作用，θ在[0.1,6]之间取值。

作为本发明所述的基于飞虫寻光移动原理的光伏电站规划方法，其中：权衡不同目标函数之间的权重，进行基于约束优先的帕雷托最优化处理包括，

采用帕雷托最优化处理对参数进行占优处理，重新定义帕雷托占优的概念；

对于光伏电站的规划选址定容问题，可根据下式计算状态变量的约束违反情况：

其中，S_ved(u_i)表示不同目标变量的约束违反总值，G表示求解问题中控制函数和状态函数不等式的总数目，c表示问题中与状态变量相关的不等式个数，g_j(x,u)表示与第j个状态变量相关的不等式约束条件。

在群体中随机选取两个帕雷托解，记为u_p和u_q，计算其对应的违反约束总值S_ved(u_p)和S_ved(u_q)，若和相等，则利用下式进行解的判断：

其中，i、j分别表示状态量，L、M分别表示对应集合，若满足上式，则认为u_p比u_q更优，若S_ved(u_p)＜S_ved(u_q)，则认为u_p比u_q更佳，若S_ved(u_p)>S_ved(u_q)，则认为u_q比u_p更佳。

作为本发明所述的基于飞虫寻光移动原理的光伏电站规划方法，其中：设计火虫移动过程中的移动步长策略包括，

根据以下公式进行迁移：

其中，x_i(t)和x_j(t)分别表示迭代次数为t时的火虫i和j的位置，x_i(t+1)表示迭代次数为t+1时火虫i的位置，定义该公式的第二项为引力项，第三项为步长项，步长项中α为火虫的移动步长系数，

是服从高斯分布的正态函数变量，且取值范围在[0，1]之间，第二项负责全局搜索，第三项负责局部搜索并有益于火虫优化跳出局部最优。

在算法后期用移动步长系数α表示变化值，步长系数可随着迭代次数二逐渐减小，具体公式如下：

其中，α^t表示迭代次数为t时的步长系数，α^t+1表示迭代次数为t+1时的步长系数，e表示欧拉数，N表示当前计算次数，M表示最大计算次数。

在优化计算的结果中，光伏电站的规划站址在算法的收敛区域内，不同的收敛点处汇集着不同数量的火虫数量，各个飞虫与其亮度相乘后求和得到该处光伏电站的配置容量、充电容量影响的年化投资成本以及年化维护成本。

本发明的有益效果：本发明提高了光伏电站选址定容的科学性，具有良好的经济效益与实用效益。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述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性的前提下，还可以根据这些附图获得其它的附图。其中：

图1为本发明基于飞虫寻光移动原理的光伏电站规划方法的流程图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

再其次，本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

实施例1

参照图1，为本发明的一个实施例，提供了一种基于飞虫寻光移动原理的光伏电站规划方法包括：

首先将贵州市范围作为解空间，为了简便选取长方形区域，并将其划分成一个个网格。每个飞虫的具体位置代表了一个光伏电站的可行解，而飞虫的亮度就是根据目标函数计算得出的经济成本，经济成本越小其亮度越高。

同时，亮度高的飞虫会吸收附近亮度低的飞虫，使其附近的飞虫不断地向光伏电站的最优位置移动；在此过程中，并不止一个较优的位置，而是产生出若干个较优的飞虫地址，然后根据聚焦的飞虫数量决定该光伏电站的安装容量，而安装容量越大，则代表该光伏电站的建设成本与运维成本就越高，因此慢慢地也有一个飞虫群体的聚集数量上限；所以，各个飞虫群体的总体成本是单单几个光伏电站成本之和的最小值。

实际计算过程中，为了进一步提高寻优的合理性，飞虫之间距离越近反而会降低其相互之间的吸引程度，因此不会出现随意向一个点集中的情况。

如图1为本发明的流程图，具体步骤如下：

S1：根据建设费用、运维费用、光伏电站的设备损耗费用、光伏电站的铺道建设费用以及用户使用过程中的调度费用建立光伏电站选址定容优化数学模型。应说明的是：

光伏电站的定位首先要满足所覆盖区域内的光伏用电需求，同时光伏电站的建设必须考虑经济效益问题；因此光伏电站的规划所提出的数学模型首先要考虑经济成本问题。

光伏电站的规划建设，需要考虑建设费用、运维费用、光伏电站的设备损耗费用、光伏电站的铺道建设费用、以及用户使用过程中的调度费用；因此得到光伏电站最优规划的目标函数：

其中，Fee表示光伏电站在整个运行周期内换算到每一年的费用，N表示区域内建设光伏电站的数量，Fee_1i表示第i个光伏电站的一次投资折算到每年的费用，Fee_2i表示第i个光伏电站的维护检修年费用，Fee_3i表示第i个光伏电站的设备损耗费用，Fee_4i表示第i个光伏电站的辅道建设折算到每年的费用，Fee_5i表示光伏电站将电能调度到所需用户过程中的调度平均消耗成本。

光伏电站的一次投资年费用可通过下式计算：

其中，e_i和a分别表示光伏电站建设所需的太阳能电池方阵数量和太阳能电池方阵单价，c_i表示光伏电站的基建成本，m_i和b分别表示光伏电站中逆变器和充电控制器的数量以及逆变器和充电控制器的平均价格，r₀表示光伏电站的贴现率，z表示光伏电站i正常运行的服务年限。

对于光伏电站的运行维护年费用，往往需要考虑员工成本、设备运行维护成本、设备损耗老化成本等因素；在这里，通过光伏电站的一次投资成本乘以一定的折算比例，计算得到光伏电站的运行维护年费用；假设折算系数为ψ，则光伏电站运行一年的维护检修年费用成本为：

Fee_2i＝ψ(e_ia+m_ib+c_i)

光伏电站设备损耗主要包括四类：光伏方阵吸收损耗、逆变器损耗、集电线路及箱变损耗、升压站损耗；第i个光伏电站的设备损耗费用Fee_3i可以通过电网公司获得。

光伏电站i折算到每年的铺道建设费用为：

其中，ξ表示每千米道路的一次投资成本，l_i表示光伏电站连接到主干道所建设辅道的长度。

光伏电站将电能调度到用户侧的过程中，会产生调度费用，光伏电站将电能调度到所需用户过程中的调度平均消耗成本Fee_5i也可通过电网公司获得。

S2：获取光伏电站的相关数据，设置光伏电站规划的约束条件。应说明的是：

对光伏电站规划的约束条件进行考虑时，主要包括光伏电站的数量约束、光伏电站的容量约束、光伏电站之间的距离约束以及需求侧到光伏电站的距离约束。

光伏电站数量约束公式如下：

N_min≤N≤N_max

其中，N_min和N_max分别表示规划区域内光伏电站应建设的最小数量和允许建设的最大数量。

光伏电站容量约束公式如下：

P_min≤P_i≤P_max i＝1,2,…,N

其中，P_min和P_max分别表示光伏电站应配置的最小容量和最大容量

光伏电站之间的距离约束：

DR_min≤DR_ij≤DR_max i,j＝1,2,…,N,i≠j

其中，DR_ij表示两个光伏电站间的距离，DR_min和DR_max分别表示两个光伏电站间所允许距离的下限和上限。

需求侧到光伏电站的距离约束公式如下：

dr_ij≤dr_max i＝1,2,…,N,j＝1,2,…,N_cruss

其中，dr_ij表示需求侧到光伏电站的距离，dr_max表示从需求侧到光伏电站的最远里程，N_cruss表示需求侧用户数量。

S3：定义环境影响度函数并设计引力函数。应说明的是：

飞虫的光亮度往往受环境影响，光亮度与环境影响度函数是成反比的，每一个飞虫可被视作一个问题的相关解，那么就有A(r)∝f(s)，其中A(r)代表飞虫光亮度，f(s)代表相关解的环境影响度；光亮度随着距离的增大而不断减小，具体计算公式为：

其中，A(r)代表飞虫光亮度，f(s)代表相关解的环境影响度，A₀代表光源处的亮度，θ代表环境影响度系数，r_ij为两只飞虫s_i和s_j之间的欧式距离，具体计算公式为：

其中，s_ik表示火虫s_i在第k维度上的相关值，s_jk表示火虫s_j在第k维度上的相关值。

结合实际情况，本发明将引力函数被设计为单调递减函数：

其中，两只飞虫距离为0时，引力最大为f₀，n结合实际情况可取值为2；对于给定优化问题的规模Λ，参数θ的初始值被设置为：

θ的值对于算法的收敛性有着重大影响作用，故θ在[0.1,6]之间取值。

S4：在约束范围内，对最大亮度，环境影响度系数，移动步长系数初值，最大迭代次数初始化，并对飞虫i的初始位置进行随机赋值，得到实际问题中的光伏电站的初始值。应说明的是：

在约束范围内，对各个参数初始化，并对飞虫i的初始位置进行随机赋值，即实际问题中光伏电站的位置初始值；由于初值的选择对于算法的求解最优解和收敛性存在较大影响，因此，对于光伏电站的初始值选择，需满足太阳光辐射条件、年日照时数、用地自然条件等因素；具体需满足的条件如表1所示：

表1：初值选择需满足的条件。

S5：权衡不同目标函数之间的权重，进行基于约束优先的帕雷托最优化处理。应说明的是：

在建立光伏电站选址定容优化数学模型时，存在多个目标函数，为了使所有目标函数都能达到最优解，需要权衡不同目标函数间的权重情况，本发明采用帕雷托最优化处理对参数进行占优处理，重新定义帕雷托占优的概念。

对于光伏电站的规划选址定容问题，可以根据下式计算状态变量的约束违反情况：

其中，S_ved(u_i)代表不同目标变量的约束违反总值；G表示求解问题中控制函数和状态函数不等式的总数目；c代表问题中与状态变量相关的不等式个数；g_j(x,u)表示与第j个状态变量相关的不等式约束条件。

在群体中随机选取两个帕雷托解，记为u_p和u_q，计算其对应的违反约束总值S_ved(u_p)和S_ved(u_q)，如果和相等，利用下式进行解的判断：

其中，i、j分别表示状态量，L、M分别表示对应集合，若满足上式，则认为u_p比u_q更优，若S_ved(u_p)＜S_ved(u_q)，则认为u_p比u_q更佳，若S_ved(u_p)>S_ved(u_q)，则认为u_q比u_p更佳。

S6：设计飞虫移动过程中的移动步长策略，计算目标函数值并判断是否达到算法设定的终止条件，若未达到算法设定的终止条件，则继续进行迭代进化，若达到算法设定的终止条件，则终止算法。应说明的是：

一般来说，飞虫会被更亮的个体所吸引，根据以下公式进行迁移：

其中，x_i(t)和x_j(t)分别表示迭代次数为t时的火虫i和j的位置，x_i(t+1)表示迭代次数为t+1时火虫i的位置，定义该公式的第二项为引力项，第三项为步长项，步长项中α为火虫的移动步长系数，

是服从高斯分布的正态函数变量，且取值范围在[0，1]之间，第二项负责全局搜索，第三项负责局部搜索并有益于火虫优化跳出局部最优。

在算法后期，为了得到更精确的解，需要在更小的搜索范围内进行更深的挖掘；因此，本发明构造了一种变化步长分析策略用来平衡探索；即移动步长系数α为变化值，步长系数可随着迭代次数逐渐减小；具体公式如下：

其中，α^t表示迭代次数为t时的步长系数，α^t+1表示迭代次数为t+1时的步长系数，e表示欧拉数，N表示当前计算次数，M表示最大计算次数。

在优化计算的结果中，光伏电站的规划站址在算法的收敛区域内，不同的收敛点处汇集着不同数量的火虫数量，各个飞虫与其亮度相乘后求和得到该处光伏电站的配置容量，充电容量影响年化投资成本以及年化维护成本；以贵州市为例，本实施例取火虫的数量为200，随机分布在贵州市光伏电站待规划的范围内。

最大亮度设为400，环境影响度系数取0.8，移动步长系数初值设置为5，最大迭代次数为260；利用该算法对模型进行求解，得到的具体数据如表2所示：

表2：模型求解后得到的光伏电站安装容量及投资维护成本。

实施例2

为本发明的另外一个实施例，对本方法中采用的技术效果加以验证说明。

为了验证此算法的性能，本发明基于收敛平均迭代次数、环境影响度函数值以及计算耗时的3个方面对传统萤火虫算法与本算法的计算性能进行对比分析。

传统萤火虫算法与本算法分别计算6次，得出的收敛平均迭代次数、适应度函数值、平均计算耗时数据如表3所示。

表3：传统萤火虫算法与本算法性能对比。

从表3可见，本算法的收敛速度更快；平均最优适应度函数值，是指迭代终止时由光伏电站总的建设、运维经济成本的平均值表示的目标函数值，也比传统萤火虫算法要低；同时，此算法的计算时间更少；对于光伏电站的规划，具有良好的经济效益与实际效益。

应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种基于飞虫寻光移动原理的光伏电站规划方法，其特征在于，包括：

根据建设费用、运维费用、光伏电站的设备损耗费用、光伏电站的铺道建设费用以及用户使用过程中的调度费用建立光伏电站选址定容优化数学模型；

获取光伏电站的相关数据，设置光伏电站规划的约束条件；

定义环境影响度函数并设计引力函数；

在约束范围内，对最大亮度、环境影响度系数、移动步长系数初值和最大迭代次数初始化，并对飞虫i的初始位置进行随机赋值，得到实际问题中的光伏电站的初始值；

权衡不同目标函数之间的权重，进行基于约束优先的帕雷托最优化处理；

设计飞虫移动过程中的移动步长策略，计算目标函数值并判断是否满足算法设定的收敛条件，若不满足算法设定的收敛条件，则继续进行迭代进化，若满足算法设定的收敛条件，则终止算法。

2.如权利要求1所述的一种基于飞虫寻光移动原理的光伏电站规划方法，其特征在于：根据建设费用、运维费用和光伏电站的电能损耗建立光伏电站选址定容优化数学模型包括，

光伏电站最优规划的目标函数如下：

其中，Fee表示光伏电站在整个运行周期内换算到每一年的费用，N表示区域内建设光伏电站的数量，Fee_1i表示第i个光伏电站的一次投资折算到每年的费用，Fee_2i表示第i个光伏电站的维护检修年费用，Fee_3i表示第i个光伏电站的设备损耗费用，Fee_4i表示第i个光伏电站的辅道建设折算到每年的费用，Fee_5i表示光伏电站将电能调度到所需用户过程中的调度平均消耗成本。

3.如权利要求2所述的一种基于飞虫寻光移动原理的光伏电站规划方法，其特征在于：所述光伏电站规划的约束条件包括光伏电站的数量约束、光伏电站的容量约束、光伏电站之间的距离约束以及需求侧到光伏电站的距离约束。

4.如权利要求3所述的一种基于飞虫寻光移动原理的光伏电站规划方法，其特征在于：所述光伏电站数量约束公式如下：

N_min≤N≤N_max

其中，N_min和N_max分别表示规划区域内光伏电站应建设的最小数量和允许建设的最大数量。

5.如权利要求3或4所述的一种基于飞虫寻光移动原理的光伏电站规划方法，其特征在于：所述光伏电站容量约束公式如下：

P_min≤P_i≤P_max i＝1,2,…,N

其中，P_min和P_max分别表示光伏电站应配置的最小容量和最大容量。

6.如权利要求5所述的一种基于飞虫寻光移动原理的光伏电站规划方法，其特征在于：所述光伏电站之间的距离约束公式如下：

DR_min≤DR_ij≤DR_max i,j＝1,2,…,N,i≠j

其中，DR_ij表示两个光伏电站间的距离，DR_min和DR_max分别表示两个光伏电站间所允许距离的下限和上限。

7.如权利要求6所述的一种基于飞虫寻光移动原理的光伏电站规划方法，其特征在于：所述需求侧到光伏电站的距离约束公式如下：

dr_ij≤dr_max i＝1,2,…,N,j＝1,2,…,N_cruss

其中，dr_ij表示需求侧到光伏电站的距离，dr_max表示从需求侧到光伏电站的最远里程，N_cruss表示需求侧用户数量。

8.如权利要求1～4、6～7任一所述的一种基于飞虫寻光移动原理的光伏电站规划方法，其特征在于：定义环境影响度函数并设计引力函数包括，

根据飞虫的光亮度受环境影响，得到光亮度与环境影响度函数是成反比的，每一个飞虫可被视作一个问题的相关解，可表示为A(r)∝f(s)，光亮度随着距离的增大而不断减小，具体计算公式为：

其中，A(r)代表飞虫光亮度，f(s)代表相关解的环境影响度，A₀代表光源处的亮度，θ代表环境影响度系数，r_ij为两只飞虫s_i和s_j之间的欧式距离，具体计算公式为：

其中，s_ik表示火虫s_i在第k维度上的相关值，s_jk表示火虫s_j在第k维度上的相关值；

将引力函数设计为单调递减函数：

其中，两只飞虫距离为0时，引力最大为f₀，n结合实际情况取值为2，Λ代表对于给定优化问题的规模，参数θ的初始值被设置为

θ的值对于算法的收敛性有着重大影响作用，θ在[0.1,6]之间取值。

9.如权利要求8所述的一种基于飞虫寻光移动原理的光伏电站规划方法，其特征在于：权衡不同目标函数之间的权重，进行基于约束优先的帕雷托最优化处理包括，

采用帕雷托最优化处理对参数进行占优处理，重新定义帕雷托占优的概念；

对于光伏电站的规划选址定容问题，可根据下式计算状态变量的约束违反情况：

其中，S_ved(u_i)表示不同目标变量的约束违反总值，G表示求解问题中控制函数和状态函数不等式的总数目，c表示问题中与状态变量相关的不等式个数，g_j(x,u)表示与第j个状态变量相关的不等式约束条件；

在群体中随机选取两个帕雷托解，记为u_p和u_q，计算其对应的违反约束总值S_ved(u_p)和S_ved(u_q)，若和相等，则利用下式进行解的判断：

其中，i、j分别表示状态量，L、M分别表示对应集合，若满足上式，则认为u_p比u_q更优，若S_ved(u_p)＜S_ved(u_q)，则认为u_p比u_q更佳，若S_ved(u_p)>S_ved(u_q)，则认为u_q比u_p更佳。

10.如权利要求9所述的一种基于飞虫寻光移动原理的光伏电站规划方法，其特征在于：设计火虫移动过程中的移动步长策略包括，

根据以下公式进行迁移：

其中，x_i(t)和x_j(t)分别表示迭代次数为t时的火虫i和j的位置，x_i(t+1)表示迭代次数为t+1时火虫i的位置，定义该公式的第二项为引力项，第三项为步长项，步长项中α为火虫的移动步长系数，

是服从高斯分布的正态函数变量，且取值范围在[0，1]之间，第二项负责全局搜索，第三项负责局部搜索并有益于火虫优化跳出局部最优；

在算法后期用移动步长系数α表示变化值，步长系数可随着迭代次数二逐渐减小，具体公式如下：

其中，α^t表示迭代次数为t时的步长系数，α^t+1表示迭代次数为t+1时的步长系数，e表示欧拉数，N表示当前计算次数，M表示最大计算次数；

在优化计算的结果中，光伏电站的规划站址在算法的收敛区域内，不同的收敛点处汇集着不同数量的火虫数量，各个飞虫与其亮度相乘后求和得到该处光伏电站的配置容量、充电容量影响的年化投资成本以及年化维护成本。

Images