CN116094005A - 基于改进差分进化算法的微电网多目标优化方法及装置 - Google Patents

基于改进差分进化算法的微电网多目标优化方法及装置 Download PDF

Info

Publication number
CN116094005A
CN116094005A CN202211650763.1A CN202211650763A CN116094005A CN 116094005 A CN116094005 A CN 116094005A CN 202211650763 A CN202211650763 A CN 202211650763A CN 116094005 A CN116094005 A CN 116094005A
Authority
CN
China
Prior art keywords
micro
grid
evolution algorithm
differential evolution
objective optimization
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
Application number
CN202211650763.1A
Other languages
English (en)
Inventor
郑炜楠
周保荣
黄颖祺
赵文猛
史军
王滔
毛田
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.)
Shenzhen Power Supply Co ltd
Original Assignee
Shenzhen Power Supply 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 Shenzhen Power Supply Co ltd filed Critical Shenzhen Power Supply Co ltd
Priority to CN202211650763.1A priority Critical patent/CN116094005A/zh
Publication of CN116094005A publication Critical patent/CN116094005A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • 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
    • H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
    • 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
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • 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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • 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
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/34—Parallel operation in networks using both storage and other dc sources, e.g. providing buffering
    • H02J7/35—Parallel operation in networks using both storage and other dc sources, e.g. providing buffering with light sensitive cells
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks
    • 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
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • 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]
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Power Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Development Economics (AREA)
  • Biomedical Technology (AREA)
  • Game Theory and Decision Science (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Geometry (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)

Abstract

本发明涉及微电网技术领域，公开了基于改进差分进化算法的微电网多目标优化方法及装置。本发明的方法通过建立微电网多目标优化模型，利用莱维飞行对差分进化算法中的变异操作进行改进，采用得到的改进差分进化算法来求解所述微电网多目标优化模型，得到微电网最优储能配置；相应的装置包括建立模块、改进模块和优化模块。本发明利用莱维飞行对差分进化算法中的变异操作进行改进，能最快地找到全局优化下的目标最优值，从而能够快速准确地实现微电网的储能优化配置。

Description

基于改进差分进化算法的微电网多目标优化方法及装置
技术领域
本发明涉及微电网技术领域，尤其涉及基于改进差分进化算法的微电网多目标优化方法及装置。
背景技术
微电网作为新型的网络结构，可以将多种分布式电源、储能装置、能量转换装置、负荷、监控和保护装置等交互在一起。微电网在并入电网结构时，其发电和负荷的不规律性会对电网带来较大的冲击，在一定程度上甚至危害电网的安全运行。此外，微电网的建立和投入需要较大的成本。因此，如何实现微电网的储能优化配置成为了当前的一个热点。
目前微电网储能优化配置方案通常先建立储能优化配置模型，进而基于优化算法寻找最优配置。然而目前方案在寻找最优配置时，算法收敛较慢，同时可能出现局部收敛的问题，导致所寻找的最优结果可能不准甚至错误。
发明内容
本发明提供了基于改进差分进化算法的微电网多目标优化方法及装置，解决了如何快速准确地实现微电网的储能优化配置的技术问题。
本发明第一方面提供一种基于改进差分进化算法的微电网多目标优化方法，包括：
建立微电网多目标优化模型；
利用莱维飞行对差分进化算法中的变异操作进行改进，得到改进差分进化算法；
采用所述改进差分进化算法来求解所述微电网多目标优化模型，得到微电网最优储能配置。
根据本发明第一方面的一种能够实现的方式，所述采用所述改进差分进化算法来求解所述微电网多目标优化模型，得到微电网最优储能配置，包括：
步骤S10，设置差分进化算法的基本参数，令初始的迭代次数为1，进行种群初始化；所述基本参数包括种群规模、交叉策略、交叉系数和最大迭代次数；
步骤S20，对初始种群利用莱维飞行进行更新，得到新的种群；
步骤S30，基于所述交叉策略对步骤S20产生的新的种群进行交叉操作，使初始种群和步骤S20产生的新的种群进行交叉变异；
步骤S40，利用所述微电网多目标优化模型的目标函数求取当前种群中的最优解，即当前种群中使得所述目标函数最小的一组解向量，并将这组解向量作为下次迭代的初始向量；
步骤S50，判断当前迭代次数是否大于最大迭代次数；若是，将此时得到的最优解作为微电网最优储能配置并进行输出；若否，令迭代次数加1，并返回步骤S20。
根据本发明第一方面的一种能够实现的方式，所述建立微电网多目标优化模型，包括：
建立所述微电网多目标优化模型为用于优化微电网成本、碳排放和蓄电池充放电次数的微电网优化模型。
根据本发明第一方面的一种能够实现的方式，所述建立所述微电网多目标优化模型为用于优化微电网成本、碳排放和蓄电池充放电次数的微电网优化模型，包括：
建立所述微电网多目标优化模型的目标函数为：
minF＝min(f1+f2+f3)
Figure BDA0004010469060000021
Figure BDA0004010469060000022
Figure BDA0004010469060000023
式中，f1表示微电网成本，f2表示碳排放，f3表示蓄电池充放电次数，Ps(τ)表示微电网的平均用电功率，Pg(τ)表示光伏供电功率，Pin(τ)表示蓄电池充电功率，Pout(τ)表示蓄电池放电功率，Cs(τ)表示微电网用电成本系数，Cg(τ)表示光伏供电成本系数，Cin(τ)表示蓄电池充电成本系数，Cout(τ)表示蓄电池放电成本系数，Qs(τ)表示微电网碳排放系数，Qg(τ)表示光伏供电的碳排放系数，Qin(τ)表示蓄电池充电时的碳排放系数，Qout(τ)表示蓄电池放电时的碳排放系数，R表示蓄电池总容量，t表示优化总长时间，τ表示用于计算的微分变量。
本发明第二方面提供一种基于改进差分进化算法的微电网多目标优化装置，包括：
建立模块，用于建立微电网多目标优化模型；
改进模块，用于利用莱维飞行对差分进化算法中的变异操作进行改进，得到改进差分进化算法；
优化模块，用于采用所述改进差分进化算法来求解所述微电网多目标优化模型，得到微电网最优储能配置。
根据本发明第二方面的一种能够实现的方式，所述优化模块包括：
初始化单元，用于设置差分进化算法的基本参数，令初始的迭代次数为1，进行种群初始化；所述基本参数包括种群规模、交叉策略、交叉系数和最大迭代次数；
种群更新单元，用于对初始种群利用莱维飞行进行更新，得到新的种群；
种群交叉单元，用于基于所述交叉策略对步骤S20产生的新的种群进行交叉操作，使初始种群和步骤S20产生的新的种群进行交叉变异；
求解单元，用于利用所述微电网多目标优化模型的目标函数求取当前种群中的最优解，即当前种群中使得所述目标函数最小的一组解向量，并将这组解向量作为下次迭代的初始向量；
迭代判断单元，用于判断当前迭代次数是否大于最大迭代次数；若是，将此时得到的最优解作为微电网最优储能配置并进行输出；若否，令迭代次数加1，并返回所述种群更新单元。
根据本发明第二方面的一种能够实现的方式，所述建立模块包括：
建立单元，用于建立所述微电网多目标优化模型为用于优化微电网成本、碳排放和蓄电池充放电次数的微电网优化模型。
根据本发明第二方面的一种能够实现的方式，所述建立单元具体用于：
建立所述微电网多目标优化模型的目标函数为：
minF＝min(f1+f2+f3)
Figure BDA0004010469060000041
Figure BDA0004010469060000042
Figure BDA0004010469060000043
式中，f1表示微电网成本，f2表示碳排放，f3表示蓄电池充放电次数，Ps(τ)表示微电网的平均用电功率，Pg(τ)表示光伏供电功率，Pin(τ)表示蓄电池充电功率，Pout(τ)表示蓄电池放电功率，Cs(τ)表示微电网用电成本系数，Cg(τ)表示光伏供电成本系数，Cin(τ)表示蓄电池充电成本系数，Cout(τ)表示蓄电池放电成本系数，Qs(τ)表示微电网碳排放系数，Qg(τ)表示光伏供电的碳排放系数，Qin(τ)表示蓄电池充电时的碳排放系数，Qout(τ)表示蓄电池放电时的碳排放系数，R表示蓄电池总容量，t表示优化总长时间，τ表示用于计算的微分变量。
本发明第三方面提供了一种基于改进差分进化算法的微电网多目标优化装置，包括：
存储器，用于存储指令；其中，所述指令用于实现如上任意一项能够实现的方式所述的基于改进差分进化算法的微电网多目标优化方法；
处理器，用于执行所述存储器中的指令。
本发明第四方面一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上任意一项能够实现的方式所述的基于改进差分进化算法的微电网多目标优化方法。
从以上技术方案可以看出，本发明具有以下优点：
本发明的方法通过建立微电网多目标优化模型，利用莱维飞行对差分进化算法中的变异操作进行改进，采用得到的改进差分进化算法来求解所述微电网多目标优化模型，得到微电网最优储能配置；相应的装置包括建立模块、改进模块和优化模块；本发明通过将莱维飞行应用于差分进化算法的变异操作，由于其寻找最优解过程时方向不一、步长不定，在寻找最优解时，能很好地寻找全局域下的最优解，较之于其他一些寻找方式，这种搜索机制比其他现有群体优化算法更为有效，不会在局部进行过分求解，大大的加快了收敛速度，同时避免了得到的是局部最优解的可能，从而能够快速准确地实现微电网的储能优化配置。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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。
图1为本发明一个可选实施例提供的一种基于改进差分进化算法的微电网多目标优化方法的流程图；
图2为本发明一个可选实施例提供的莱维飞行寻找最优解的飞行过程的示意图；
图3为本发明一个可选实施例提供的微电网多目标优化方法执行过程中目标函数的迭代图；
图4为本发明一个可选实施例提供的一种基于改进差分进化算法的微电网多目标优化装置的结构连接框图。
附图标记：
1-建立模块；2-改进模块；3-优化模块。
具体实施方式
本发明实施例提供了基于改进差分进化算法的微电网多目标优化方法及装置，用于解决如何快速准确地实现微电网的储能优化配置的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。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它实施例，都属于本发明保护的范围。
本发明提供了一种基于改进差分进化算法的微电网多目标优化方法。
请参阅图1，图1示出了本发明实施例提供的一种基于改进差分进化算法的微电网多目标优化方法的流程图。
本发明实施例提供的一种基于改进差分进化算法的微电网多目标优化方法，包括步骤S1-S3。
步骤S1，建立微电网多目标优化模型。
其中，在建立微电网多目标优化模型时，可以以微电网成本、碳排放、蓄电池充放电次数、微电网净负荷波动和/或微电网收益作为优化目标，从而建立用于优化各优化目标的微电网优化模型。
在一种能够实现的方式中，建立所述微电网多目标优化模型为用于优化微电网成本、碳排放和蓄电池充放电次数的微电网优化模型。
作为具体的实施方式，当建立用于优化微电网成本、碳排放和蓄电池充放电次数的微电网优化模型时，建立所述微电网多目标优化模型的目标函数为：
minF＝min(f1+f2+f3)
Figure BDA0004010469060000061
Figure BDA0004010469060000062
Figure BDA0004010469060000063
式中，f1表示微电网成本，f2表示碳排放，f3表示蓄电池充放电次数，Ps(τ)表示微电网的平均用电功率，Pg(τ)表示光伏供电功率，Pin(τ)表示蓄电池充电功率，Pout(τ)表示蓄电池放电功率，Cs(τ)表示微电网用电成本系数，Cg(τ)表示光伏供电成本系数，Cin(τ)表示蓄电池充电成本系数，Cout(τ)表示蓄电池放电成本系数，Qs(τ)表示微电网碳排放系数，Qg(τ)表示光伏供电的碳排放系数，Qin(τ)表示蓄电池充电时的碳排放系数，Qout(τ)表示蓄电池放电时的碳排放系数，R表示蓄电池总容量，t表示优化总长时间，τ表示用于计算的微分变量。
本实施例中，微电网成本由用电成本、光伏供电成本和蓄电池充放电的成本构成，使得微电网成本的计算较为客观；通过在目标函数中考虑微电网成本，能够使得储能配置方案尽可能地减少微电网系统用电成本。
微电网系统中的碳排放在各个过程都存在，本实施例在微电网用电、光伏供电、蓄电池充放电过程根据其碳排放系数进行碳排放计算，能够保证碳排放计算的准确性；通过在目标函数中考虑碳排放，能够使得储能配置方案尽可能地减少碳排放，从而有益于提高综合能源利用率。
蓄电池充放电过程会对蓄电池产生损耗，本实施例中在构建目标函数时考虑蓄电池的充放电次数，使得储能配置方案能够尽可能地减少蓄电池损耗。
步骤S2，利用莱维飞行对差分进化算法中的变异操作进行改进，得到改进差分进化算法。
差分进化算法是一种包括选择、交叉和变异操作的全局优化算法，莱维飞行是一种步长的概率分布为重尾分布的随机游走的策略。本实施例中，通过利用莱维飞行对差分进化算法中的变异操作进行改进，能够尽可能地将差分进化算法中的种群变得多样化，从而找出全局环境下的当前最优位置。
步骤S3，采用所述改进差分进化算法来求解所述微电网多目标优化模型，得到微电网最优储能配置。
在一种能够实现的方式中，所述采用所述改进差分进化算法来求解所述微电网多目标优化模型，得到微电网最优储能配置，包括：
步骤S10，设置差分进化算法的基本参数，令初始的迭代次数为1，进行种群初始化；所述基本参数包括种群规模、交叉策略、交叉系数和最大迭代次数；
步骤S20，对初始种群利用莱维飞行进行更新，得到新的种群；
步骤S30，基于所述交叉策略对步骤S20产生的新的种群进行交叉操作，使初始种群和步骤S20产生的新的种群进行交叉变异；
步骤S40，利用所述微电网多目标优化模型的目标函数求取当前种群中的最优解，即当前种群中使得所述目标函数最小的一组解向量，并将这组解向量作为下次迭代的初始向量；
步骤S50，判断当前迭代次数是否大于最大迭代次数；若是，将此时得到的最优解作为微电网最优储能配置并进行输出；若否，令迭代次数加1，并返回步骤S20。
本实施例中，通过步骤S20对初始种群利用莱维飞行进行更新，利用莱维飞行的步长大小不一、方向随机的寻找方式，能够尽可能地将种群变得多样化，找出全局环境下的当前最优位置；通过步骤S30基于所述交叉策略对步骤S20产生的新的种群进行交叉操作，能够进一步使得种群变得多样化。
其中，可以根据实际情况设置所述基本参数。
作为具体的实施方式，设置种群规模为50倍、交叉策略采用二项式交叉、交叉系数CR为0.5及最大迭代次数为50次。在该实施方式下，图2示出了本发明实施例提供的莱维飞行寻找最优解的飞行过程的示意图。如图2所示，可以看到在目标域中，莱维飞行的步长大小不一、正重尾分布的规律，其运行的方向也随机，表明这种飞行寻找方法在寻找最优解时具有很大的优势，既加快了寻找最优解的速度，也避免了算法在寻找过程中在局部过分求解。
如图3所示，当设置最大迭代次数为50次时，本实施例的方法在微电网多目标优化时迭代次数较少，很快地找到了全局域下的最优解，即微电网最优储能配置。因此，本发明能够在保障求解精度的情况下有效提高微电网最优储能配置求解的效率。
本发明还提供了一种基于改进差分进化算法的微电网多目标优化装置，该装置可用于执行本发明上述任一项实施例所述的基于改进差分进化算法的微电网多目标优化方法。
请参阅图3，图4示出了本发明实施例提供的一种基于改进差分进化算法的微电网多目标优化装置的结构连接框图。
本发明实施例提供的一种基于改进差分进化算法的微电网多目标优化装置，包括：
建立模块1，用于建立微电网多目标优化模型；
改进模块2，用于利用莱维飞行对差分进化算法中的变异操作进行改进，得到改进差分进化算法；
优化模块3，用于采用所述改进差分进化算法来求解所述微电网多目标优化模型，得到微电网最优储能配置。
在一种能够实现的方式中，所述优化模块3包括：
初始化单元，用于设置差分进化算法的基本参数，令初始的迭代次数为1，进行种群初始化；所述基本参数包括种群规模、交叉策略、交叉系数和最大迭代次数；
种群更新单元，用于对初始种群利用莱维飞行进行更新，得到新的种群；
种群交叉单元，用于基于所述交叉策略对步骤S20产生的新的种群进行交叉操作，使初始种群和步骤S20产生的新的种群进行交叉变异；
求解单元，用于利用所述微电网多目标优化模型的目标函数求取当前种群中的最优解，即当前种群中使得所述目标函数最小的一组解向量，并将这组解向量作为下次迭代的初始向量；
迭代判断单元，用于判断当前迭代次数是否大于最大迭代次数；若是，将此时得到的最优解作为微电网最优储能配置并进行输出；若否，令迭代次数加1，并返回所述种群更新单元。
在一种能够实现的方式中，所述建立模块1包括：
建立单元，用于建立所述微电网多目标优化模型为用于优化微电网成本、碳排放和蓄电池充放电次数的微电网优化模型。
在一种能够实现的方式中，所述建立单元具体用于：
建立所述微电网多目标优化模型的目标函数为：
minF＝min(f1+f2+f3)
Figure BDA0004010469060000091
Figure BDA0004010469060000092
Figure BDA0004010469060000093
式中，f1表示微电网成本，f2表示碳排放，f3表示蓄电池充放电次数，Ps(τ)表示微电网的平均用电功率，Pg(τ)表示光伏供电功率，Pin(τ)表示蓄电池充电功率，Pout(τ)表示蓄电池放电功率，Cs(τ)表示微电网用电成本系数，Cg(τ)表示光伏供电成本系数，Cin(τ)表示蓄电池充电成本系数，Cout(τ)表示蓄电池放电成本系数，Qs(τ)表示微电网碳排放系数，Qg(τ)表示光伏供电的碳排放系数，Qin(τ)表示蓄电池充电时的碳排放系数，Qout(τ)表示蓄电池放电时的碳排放系数，R表示蓄电池总容量，t表示优化总长时间，τ表示用于计算的微分变量。
本发明还提供了一种基于改进差分进化算法的微电网多目标优化装置，包括：
存储器，用于存储指令；其中，所述指令用于实现如上任意一项实施例所述的基于改进差分进化算法的微电网多目标优化方法；
处理器，用于执行所述存储器中的指令。
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上任意一项实施例所述的基于改进差分进化算法的微电网多目标优化方法。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置和模块的具体工作过程，可以参考前述方法实施例中的对应过程，上述描述的装置和模块的具体有益效果，可以参考前述方法实施例中的对应有益效果，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个装置，或一些特征可以忽略，或不执行。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于改进差分进化算法的微电网多目标优化方法，其特征在于，包括：
建立微电网多目标优化模型；
利用莱维飞行对差分进化算法中的变异操作进行改进，得到改进差分进化算法；
采用所述改进差分进化算法来求解所述微电网多目标优化模型，得到微电网最优储能配置。
2.根据权利要求1所述的基于改进差分进化算法的微电网多目标优化方法，其特征在于，所述采用所述改进差分进化算法来求解所述微电网多目标优化模型，得到微电网最优储能配置，包括：
步骤S10，设置差分进化算法的基本参数，令初始的迭代次数为1，进行种群初始化；所述基本参数包括种群规模、交叉策略、交叉系数和最大迭代次数；
步骤S20，对初始种群利用莱维飞行进行更新，得到新的种群；
步骤S30，基于所述交叉策略对步骤S20产生的新的种群进行交叉操作，使初始种群和步骤S20产生的新的种群进行交叉变异；
步骤S40，利用所述微电网多目标优化模型的目标函数求取当前种群中的最优解，即当前种群中使得所述目标函数最小的一组解向量，并将这组解向量作为下次迭代的初始向量；
步骤S50，判断当前迭代次数是否大于最大迭代次数；若是，将此时得到的最优解作为微电网最优储能配置并进行输出；若否，令迭代次数加1，并返回步骤S20。
3.根据权利要求1所述的基于改进差分进化算法的微电网多目标优化方法，其特征在于，所述建立微电网多目标优化模型，包括：
建立所述微电网多目标优化模型为用于优化微电网成本、碳排放和蓄电池充放电次数的微电网优化模型。
4.根据权利要求3所述的基于改进差分进化算法的微电网多目标优化方法，其特征在于，所述建立所述微电网多目标优化模型为用于优化微电网成本、碳排放和蓄电池充放电次数的微电网优化模型，包括：
建立所述微电网多目标优化模型的目标函数为：
min F＝min(f1+f2+f3)
Figure FDA0004010469050000021
Figure FDA0004010469050000022
Figure FDA0004010469050000023
式中，f1表示微电网成本，f2表示碳排放，f3表示蓄电池充放电次数，Ps(τ)表示微电网的平均用电功率，Pg(τ)表示光伏供电功率，Pin(τ)表示蓄电池充电功率，Pout(τ)表示蓄电池放电功率，Cs(τ)表示微电网用电成本系数，Cg(τ)表示光伏供电成本系数，Cin(τ)表示蓄电池充电成本系数，Cout(τ)表示蓄电池放电成本系数，Qs(τ)表示微电网碳排放系数，Qg(τ)表示光伏供电的碳排放系数，Qin(τ)表示蓄电池充电时的碳排放系数，Qout(τ)表示蓄电池放电时的碳排放系数，R表示蓄电池总容量，t表示优化总长时间，τ表示用于计算的微分变量。
5.一种基于改进差分进化算法的微电网多目标优化装置，其特征在于，包括：
建立模块，用于建立微电网多目标优化模型；
改进模块，用于利用莱维飞行对差分进化算法中的变异操作进行改进，得到改进差分进化算法；
优化模块，用于采用所述改进差分进化算法来求解所述微电网多目标优化模型，得到微电网最优储能配置。
6.根据权利要求5所述的基于改进差分进化算法的微电网多目标优化装置，其特征在于，所述优化模块包括：
初始化单元，用于设置差分进化算法的基本参数，令初始的迭代次数为1，进行种群初始化；所述基本参数包括种群规模、交叉策略、交叉系数和最大迭代次数；
种群更新单元，用于对初始种群利用莱维飞行进行更新，得到新的种群；
种群交叉单元，用于基于所述交叉策略对步骤S20产生的新的种群进行交叉操作，使初始种群和步骤S20产生的新的种群进行交叉变异；
求解单元，用于利用所述微电网多目标优化模型的目标函数求取当前种群中的最优解，即当前种群中使得所述目标函数最小的一组解向量，并将这组解向量作为下次迭代的初始向量；
迭代判断单元，用于判断当前迭代次数是否大于最大迭代次数；若是，将此时得到的最优解作为微电网最优储能配置并进行输出；若否，令迭代次数加1，并返回所述种群更新单元。
7.根据权利要求5所述的基于改进差分进化算法的微电网多目标优化装置，其特征在于，所述建立模块包括：
建立单元，用于建立所述微电网多目标优化模型为用于优化微电网成本、碳排放和蓄电池充放电次数的微电网优化模型。
8.根据权利要求7所述的基于改进差分进化算法的微电网多目标优化装置，其特征在于，所述建立单元具体用于：
建立所述微电网多目标优化模型的目标函数为：
min F＝min(f1+f2+f3)
Figure FDA0004010469050000031
Figure FDA0004010469050000032
Figure FDA0004010469050000033
式中，f1表示微电网成本，f2表示碳排放，f3表示蓄电池充放电次数，Ps(τ)表示微电网的平均用电功率，Pg(τ)表示光伏供电功率，Pin(τ)表示蓄电池充电功率，Pout(τ)表示蓄电池放电功率，Cs(τ)表示微电网用电成本系数，Cg(τ)表示光伏供电成本系数，Cin(τ)表示蓄电池充电成本系数，Cout(τ)表示蓄电池放电成本系数，Qs(τ)表示微电网碳排放系数，Qg(τ)表示光伏供电的碳排放系数，Qin(τ)表示蓄电池充电时的碳排放系数，Qout(τ)表示蓄电池放电时的碳排放系数，R表示蓄电池总容量，t表示优化总长时间，τ表示用于计算的微分变量。
9.一种基于改进差分进化算法的微电网多目标优化装置，其特征在于，包括：
存储器，用于存储指令；其中，所述指令用于实现如权利要求1-4任意一项所述的基于改进差分进化算法的微电网多目标优化方法；
处理器，用于执行所述存储器中的指令。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-4任意一项所述的基于改进差分进化算法的微电网多目标优化方法。
CN202211650763.1A 2022-12-21 2022-12-21 基于改进差分进化算法的微电网多目标优化方法及装置 Pending CN116094005A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211650763.1A CN116094005A (zh) 2022-12-21 2022-12-21 基于改进差分进化算法的微电网多目标优化方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211650763.1A CN116094005A (zh) 2022-12-21 2022-12-21 基于改进差分进化算法的微电网多目标优化方法及装置

Publications (1)

Publication Number Publication Date
CN116094005A true CN116094005A (zh) 2023-05-09

Family

ID=86211305

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211650763.1A Pending CN116094005A (zh) 2022-12-21 2022-12-21 基于改进差分进化算法的微电网多目标优化方法及装置

Country Status (1)

Country Link
CN (1) CN116094005A (zh)

Similar Documents

Publication Publication Date Title
CN107591807B (zh) 一种新能源接入下的输电网规划的优化方法
CN107132490B (zh) 一种实现锂电池组荷电状态估计的方法
CN110635478B (zh) 一种基于单目标的新能源接入下的输电网规划的优化方法
Rahimian et al. Optimal charge rates for a lithium ion cell
US11316212B2 (en) Method, system and device for active balance control of battery pack
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
CN112149264A (zh) 一种基于改进哈里斯鹰优化算法的主动配电网规划方法
CN110707771B (zh) 基于中心漂移聚类分析的电池组主动均衡方法
CN113178864A (zh) 配电网供电故障恢复方法、装置及终端设备
CN112103941A (zh) 考虑电网灵活性的储能配置双层优化方法
CN105470947B (zh) 一种基于量子行为粒子群算法的微电网调度方法
CN108964099B (zh) 一种分布式储能系统布局方法及系统
CN109167113A (zh) 锂离子电池充电优化方法
CN115173433A (zh) 一种平抑风电波动的储能容量优化方法及系统
CN116094005A (zh) 基于改进差分进化算法的微电网多目标优化方法及装置
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
CN116914765A (zh) 一种配电网无功优化方法、系统及电子设备
CN114221350B (zh) 基于bas-iga算法的分布式光伏集群划分方法和系统
CN115021287A (zh) 三相不平衡治理的换相方法、系统、存储介质及设备
CN113344426B (zh) 一种储能站规划方法、装置及设备
CN114723114A (zh) 考虑碳排放成本的分布式电源选址定容优化方法、系统及介质
CN104657780A (zh) 一种基于环形拓扑高斯动态粒子群优化算法的船舶电网重构方法
CN116599087B (zh) 一种储能系统的调频策略优化方法及系统
CN114048668B (zh) 面向综合能源的无线传感器轮值方法及系统
CN115833208B (zh) 获取电池储能系统运行调度策略的方法及电子设备

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