一种基于改进鲸鱼算法的微电网容量优化配置方法与流程

1.本发明涉及到微电网的容量优化配置领域，因此提出一种基于改进鲸鱼算法的微电网容量优化配置方法。


背景技术：

2.能源是社会不断发展的基础，其中电能是能源的核心。随着社会的不断发展，电能的消 耗不断增加，传统的火力发电消耗巨大并且污染环境。微电网相关技术的提高，也推动微电 网的发展、建设与推广。因此，微电网的规划设计对微电网的稳定运行与推广至关重要。
3.在微电网系统运行中，由于风光资源的波动性较大，电网电量存在着“峰谷”现象。为了抑制波动现象，微电网的容量优化配置显得尤为重要，现有的传统算法是通过homer软件进行优化配置，但是运算精度较低，无法保证结果的可靠性，在局域发展能力以及全面搜索能力较低。因此采取改进的鲸鱼算法求解微电网系统的容量最优配置，验证了改进算法的有效性。


技术实现要素：

4.针对现有技术的不足，本发明拟解决的技术问题是，提供一种基于改进鲸鱼算法的微电网容量优化配置方法，该配置方法借用智能算法，提高了优化配置的精度，收敛速度快，可靠性强。
5.本发明解决所述技术问题采用的技术方案是：
6.一种基于改进鲸鱼算法的微电网容量优化配置方法，该方法的具体步骤是：
7.步骤1：获取微电网风/光资源数据以及负荷数据，以此获得风力发电机发电率和风速的关系、光伏输出功率；
8.步骤2：读取风机、光伏、蓄电池、储氢罐以及电解槽的相关参数，对各个设备的数量进行优化；
9.步骤3：确定鲸鱼算法种群规模，随机生成n条鲸鱼位置，初始化鲸鱼算法参数a、c、 l，进入鲸鱼算法的主循环，及时更新鲸鱼位置并找到最优个体位置，初步获得优化后的微电网中各设备的数量配置；
10.所述鲸鱼算法中非线性收敛因子a的表达式为公式(14)
[0011][0012]
其中，t为当前迭代次数，t
max
为最大迭代次数；
[0013]
步骤4：以步骤3获得的结果为基础，再采用差分进化方式进行差分修正，得到最终的微电网相关设备数量配置；
[0014]
步骤5：判断是否满足最大迭代次数，进而获得最佳的设备数量，若不满足，则重新循环一次；
[0015]
步骤6：检查最优配置是否符合风机、光伏、蓄电池、储氢罐以及电解槽的约束条
件，若符合约束条件即为最优解，输出最优容量配置方案；若不满足，重新进行循环。
[0016]
与现有技术相比，本发明的有益效果是：
[0017]
现有的微电网容量配置方面，仅是使用单一传统的优化算法进行求解，本发明是将传统的鲸鱼算法在最优的鲸鱼位置处进行差分进化，通过多次变异、交叉，增加了种群的多样性，增大了搜索空间，因此增强了全局搜索能力，易于跳出局部最优，从而算法的收敛速度也得到提高。
附图说明
[0018]
图1为微电网的结构示意图。
[0019]
图2为容量优化的流程图。
[0020][0021]
具体实施方式
[0022]
下面结合实施例及附图进一步解释本发明，但并不以此作为对本技术保护范围的限定。
[0023]
表1表示微电网设备的相关费用。表2表示算法优化后的配置结果。本文中的风光氢储微电网系统如图1所示，主要用到的设备包括风机、光伏、蓄电池、电解槽、储氢罐等，电解槽和储氢罐构成氢储能系统。微电网系统仅有直流母线，中风机以及光伏是主要电源；发电高峰时，多余的电量会通过电解槽生成氢气用于氢气负荷，若供大于求时，对电池储能装置(蓄电池)进行充电。负荷高峰时，风机、光伏发电量不足时，电池储能装置进行放电。
[0024]
微电网电源模型
[0025]
1风机模型
[0026]
风能是地球上丰富的可再生资源.风力发电机wt(windturbine)的发电率p
wt
和风速v 关系可表示为：
[0027][0028]
式中：p
wrt
为额定功率；v
ci
为切入风速；v
co
为切出风速；vr为额定风速；
[0029]
2光伏模型
[0030]
光伏发电是利用太阳能转化为电能的装置.其发电功率与当地的光照强度和环境温度相关，输出功率p
pv
(t)模型如式：
[0031][0032]
式中：p
stc
是额定发电功率；g
stc
是日照辐照度；gc是实际辐射度；tc(t)为ts时的温
度； t
stc
是标准气温；n
pv
是光伏的具体数量。
[0033]
3电解槽模型
[0034]
电解槽就是将电能转化为化学能的地方，其中的电压、电流特性表达式如下所示：
[0035]
电解槽的u-i特性方程如下：
[0036][0037]uelec
＝u
elec,cell
·
nc[0038]
式中：u
elec,cell
—单个电解槽输出电压；u
rev
—电解槽可逆电压；i
elec
—电解槽工作电流； r1,r2—分别为电阻参数；s—电解槽电极表面积；t
elec
—电解槽温度；k
elec
,k
t1
,k
t2
,k
t3
—电解槽过压参数；nc—电解槽串联个数，u
elec
—电解槽总输出电压。
[0039]
4储氢罐模型
[0040]
储氢罐的存储水平为n(t)，公式如下：
[0041][0042]
式中：n(t0)为t0时储存的氢气量；为所产生的氢气量；为消耗的氢气量。
[0043]
5蓄电池模型
[0044]
蓄电池系统利用功率守恒方式运行，在使用中功率恒定，通过充、放电状态得到运行状态，某一时刻的电池容量soc(t)为：
[0045][0046]
式中：soc(t0)是初始状态t0下的电池容量；η
ch
与η
dis
是充电与放电的效率；p
ch
和p
dis
为充放电功率；s是额定容量；δt为时间步长。
[0047]
本发明是对微电网的容量进行优化配置，借助风机、光伏等模型，再确定了微电网中相关设备的花费成本以及出力情况。通过改进后的智能算法进行求解获得最佳的光伏、风机等各设备的数量，达到优化微电网的容量的目的。
[0048]
微电网优化条件
[0049]
1系统目标函数
[0050]
微电网的建造与使用，以获得最佳的经济效益为目的，从而综合投资成本以及资本回收。本发明以最小总净现成本为目标，是指微电网系统在运行期的产值，减去此期间的收入的值。具体如下式：
[0051][0052]
式中：c
npc
是总净现成本；c(m)是第m年的成本费用，其中包含建设、替换、运维费用；b(m)为运行第m年收入。r0为贴现率。
[0053]
2约束条件
[0054]
为了保证微电网的安全稳定运行，系统应当满足相关条件。
[0055]
1)微电网系统中功率平衡的约束
[0056][0057]
式中：pg是微电网系统与电网的交换功率；p
l
为微电网系统的需求功率；p
dgi
是微电网系统中的输出功率；nd是微电网中分布式电源的数目。
[0058]
2)发电单元功率p
dgi
和安装数目ni
[0059]
p
dgimin
≤p
dgi
≤p
dgimax
[0060]nimin
≤ni≤n
imax
[0061]
式中：p
dgimin
、p
dgimax
为微电网系统中的最小与最大的输出功率；n
imin
、n
imax
为电源的最小与最大的安装数目。
[0062]
3)储能系统中的电池容量和充放电功率约束
[0063]ebessmin
≤e
bess
(t)≤e
bessmax
[0064][0065]
式中：e
bessmin
与p
bessmax
为电池的最小、最大的容量；p
cmin
、p
cmax
是电池充电最小、最大功率；p
dmin
、p
dmax
为放电最小、最大功率。
[0066]
4)氢储能系统约束条件
[0067]ehessmin
≤e
hess
≤e
hessmax
[0068]
式中：e
hessmin
和e
hessmax
为氢储能系统最小和最大容量，e
hess
氢储能容量。
[0069]
其中本次所选择的微电网组件的成本及各项费用如下表所示。
[0070]
表1微电网设备相关费用
[0071][0072]
鲸鱼算法
[0073]
1、围捕猎物
[0074]
鲸鱼群在捕食时，会根据距离猎物最近的鲸鱼更新自己的位置，通过围捕猎物行为来更新位置的数学模型为：
[0075]
d＝|c
·
x
best
(t)-x(t)|
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0076]
x(t 1)＝x
best
(t)-a
·dꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0077]
式中，t为当前迭代次数，x(t)为当前鲸鱼位置向量，x
best
(t)为当前最佳鲸鱼位置向量， a和c为系数向量，d为围捕猎物下当前鲸鱼与最优鲸鱼之间距离。
[0078]
a＝2a
·r1-a
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0079]
c＝2r2ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0080][0081]
式中，r1和r2是位于[0,1]之间的随机数，t
max
为最大迭代次数，a为随迭代次数而减小的系数，在迭代过程中线性减小。
[0082]
在dewoa中，参数a的取值决定着算法的寻优质量，而在实际迭代过程中a的值是线性递减的，不能很好的满足本技术微电网容量配置优化的实际寻优过程，因此设计一种非线性的收敛策略，在保证算法搜索能力的同时提高算法后期收敛速度。非线性收敛因子a的表达式为公式(7)
[0083][0084]
改进后的a前期变化缓慢，能够提高全局搜索能力，在算法后期，a迅速减小，能够提高局部搜索能力。
[0085]
惯性权重
[0086]
对于鲸鱼算法来说，既希望在算法迭代前期拥有大范围的搜索空间，又希望在算法后期拥有较强的局部搜索能力。因此针对上述问题，在算法迭代过程中加入惯性权重，能够提高算法种群多样性和整体收敛性能。本文设计的惯性权重如下：
[0087][0088]
这种惯性权重w(t)随着算法迭代在[1,1.5]之间非线性变化，能够保证算法迭代初期具有较大的权重，提高搜索范围，在算法迭代后期增强收敛速度和精度。改进后的鲸鱼优化算法位置更新公式为：
[0089]
x(t 1)＝w(t)
·
x
best
(t)-a
·
|c
·
x
best
(t)-x(t)|
ꢀꢀꢀ
(9)
[0090]
x(t 1)＝w(t)
·
x
best
(t) |x
best
(t)-x(t)|
·ebl
·
cos(2πl)
ꢀꢀꢀ
(10)
[0091]
x(t 1)＝w(t)
·
x
rand
(t)-a
·
|c
·
x
rand
(t)-x(t)|
ꢀꢀꢀ
(11)
[0092]
2、螺旋搜寻
[0093]
鲸鱼可以通过其独有的螺旋运动搜寻猎物，其螺旋更新位置的表达式为：
[0094]
d'＝|x
best
(t)-x(t)|
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)
[0095]
x(t 1)＝d'
·ebl
·
cos(2πl) x
best
(t)p《0.5
ꢀꢀꢀꢀꢀ
(13)
[0096]
x(t 1)＝x
best
(t)-a
·
d p≥0.5
ꢀꢀꢀꢀꢀꢀꢀ
(14)
[0097]
式中，d'表示螺旋搜寻下当前鲸鱼与最佳位置鲸鱼之间的距离，b为常数，l是位于[-1,1] 之间的随机数。
[0098]
3、随机搜寻
[0099]
为提高woa的全局寻优能力，鲸鱼在搜寻猎物时，也可根据鱼群个体的位置进行随机搜寻，其数学表达式为：
[0100]d*
＝|c
·
x
rand
(t)-x(t)|
[0101]
x(t 1)＝x
rand
(t)-a
·
d*
ꢀꢀꢀꢀꢀ
(15)
[0102]
式中，x
rand
(t)为当前随机的一个鲸鱼位置，d*是当前鲸鱼与随机鲸鱼之间距离。
[0103]
捕食过程中，鲸鱼通过最优个体x
best
进行定位，使得种群中的个体在解空间聚集
过快，使得群体多样性衰落过快，致使算法早熟。
[0104]
因此，提出差分进化鲸鱼算法。当鲸鱼优化每次迭代结束后，基于当前最优解进行一次差分进化算子的变异、交叉，若取得适应度更好的最优解，则替换当前最优解，否则进行下一步迭代。
[0105]
本发明基于改进鲸鱼算法的微电网容量优化配置方法的具体步骤是：
[0106]
步骤1：获取微电网风/光资源数据以及负荷数据，以此获得风力发电机发电率和风速的关系、光伏输出功率；
[0107]
步骤2：读取风机、光伏、蓄电池、储氢罐以及电解槽的相关参数，对各个设备的数量进行优化；
[0108]
步骤3：确定鲸鱼算法种群规模，随机生成n条鲸鱼位置，初始化鲸鱼算法参数a、c、 l，进入鲸鱼算法的主循环，及时更新鲸鱼位置并找到最优个体位置，初步获得优化后的微电网中各设备的数量配置；
[0109]
步骤4：以步骤3获得的结果为基础，再采用差分进化方式进行差分修正，得到最终的微电网相关设备数量配置。
[0110]
步骤5：判断是否满足最大迭代次数，进而获得最佳的设备数量，若不满足，则重新循环一次。
[0111]
步骤6：检查最优配置是否符合风机、光伏、蓄电池、储氢罐以及电解槽的约束条件。若符合约束条件即为最优解，输出最优容量配置方案；若不满足，重新进行循环。
[0112]
差分进化方式的具体过程是：
[0113]
(1)种群初始化
[0114]
群体中的个体初始化，有以下完成：
[0115][0116]
式中，x
k,p
(0)表示第k个个体的第p维数值的初始化值，rand(0,1)表示属于(0,1)中随机数。
[0117]
(2)差分变异过程
[0118]
差分进化采用差异策略进而产生突变个体。
[0119]vk,p
(t 1)＝x
r1,p
(t) f*(x
r2,p
(t)-x
r3,p
(t))
ꢀꢀꢀ
(17)
[0120]
式中r1,r2,是随机产生的不同个体，且互不相等，f是缩放因子。
[0121]
(3)交叉
[0122]
x(t)与相应的突变个体v(t 1)的交叉如下：
[0123][0124]
式中，u
k,p
(t 1)表示第k个个体的p维交叉后的新值，p
cr
表示交叉概率，p
rand
随机的一个维度。
[0125]
(4)复制选择
[0126]
差分进化采用贪婪标准确定新变量是否被利用进行下一代，
[0127][0128]
f表示损失参数。
[0129]
鲸鱼算法和差分进化方式的联合优化步骤是：
[0130]
s1：通过公式(16)初始化的鲸鱼种群。
[0131]
s2:当p大于0.5时，利用公式(10)更新当前最优位置并进入s4，若小于0.5时，判断 a的绝对值是否小于1.
[0132]
s3：若小于1，获得最优位置进入s4。当大于1时，利用公式(9)更新当前最优值。
[0133]
s4:将得到的最优结果用公式(17)产生突变个体，并结合(18)交叉产生子代。
[0134]
s5：采用公式(19)复制选择产生最优解。并判断是否满足最大迭代次数条件。
[0135]
通过输入此时的风光数据以及各个组件的成本及安装费用。同时设定本次仿真的使用年限为20年。经过优化后的微电网配置容量数据如下表所示。
[0136]
表2算法优化结果
[0137][0138]
本发明未述及之处适用于现有技术。