【《微电网混合储能系统容量配置方法分析案例》5300字】

微电网混合储能系统容量配置方法分析案例目录TOC\o"1-3"\h\u1513微电网混合储能系统容量配置方法分析案例 184871.1混合储能系统容量配置模型 1135641.2基于人工蜂群（ArtificialBeeColony）算法的混合储能容量配置方法 3微电网混合储能系统在实际的利用过程当中，对于容量的优化配置问题是当前研究的一个非常重点的问题，因为它会对最终的经济效益产生重要的影响，在对容量优化模型进行求解的过程中可以发现是一个非线性问题，在求解时需要较好的算法才能够进行快速的求解和满足当前需要的精度，为了快速的求得最终的最优解，可以从当前智能算法的研究情况来进行最终的求解过程，由于传统的智能算法在实际的运用过程当中已经得到了广泛的研究，但是这些算法在实际的利用过程当中还存在着一些局限性，对于部分非线性的复杂问题，在求解时具备有一定的局限性，因此通常可以将多种智能算法进行结合来进行。最终算法性能的提升，解决较为复杂的问题。本章在求解的过程当中，根据上述利用的微电网混合储能系统，进一步的以储存单位的方式进行最终约束条件的建立，并且对于经济性问题进行了约束性的考虑，并建立了最终的经济效益模型，针对于利用单一的人工蜂群算法，在进行求解的过程当中求解叫为精度低的缺点，并且在搜索速度过程当中也较慢，所以在实际的风蜂搜索过程当中融入了多种搜索的策略来进一步的提高人工蜂群算法的全局收敛性，因此通过不同的搜索策略实现了最终优势的相互补充，形成了一种改进的单一人工蜂群算法，并且利用测试函数的方式来进行最终人工蜂群算法的验证，从准确性和有效性的情况，对于当前混合储存系统进行容量的优化配置。在求解的过程当中得到了最终混合储能系统的最优配比。1.1混合储能系统容量配置模型1.1.1优化目标储能成本在实际的微电网建设过程当中比重较大，并且为了进一步的保证微电网运行的稳定性可以发现，如果配置的容量过大，在建设的过程当中运行的成本也增加，而如果建立的储能系统过小，虽然在一定程度上可以降低成本，但是并不能够满足当前电网能够稳定运行的目标，因此为了进一步的进行分析和研究，本文建立了以寿命周期成本最小的目标，建立了容量优化配置的数学模型，其中目标函数如3-1所示。(3-1)其中(3-2)(3-3)在研究混合储能系统的经济性能时，可以发现超级储能电容器在实际的利用过程当中，具备有较好的充放电次数，并且在充放电次数方面要求基本超过了10万次，而微电网系统在运行的过程当中，主要的工作年限一般为20年，所以我们通常不需要考虑超级电容器的维护成本，而只需要考虑超级电容器的购置成本，但是由于蓄电池具备有较少的循环使用寿命，基本只有在3000次左右，在微电网的工作连线过程当中，需要对于超级储存电容器和蓄电池进行区别对待，对于蓄电池来说要对其购置的成本和维护成本进行研究和利用。1.1.2约束条件微电网系统在实际的运行过程当中，还需要考虑功率的实际平衡性，因此需要满足以下的一些条件。(1)储能系统运行的约束条件为了防止在实际运行过程当中，储能单位出现了过度放电或者过度充电的情况，我们可以通过将每一个储能单元的SOC值设定在一定的范围之内。(3-4)根据微电网工作的不同模式，需要保证当前运行符合当前电网的相关需求在满足可再生能源使用功率和效益的过程当中，也需要提供一定的输出功率，因此对于混合储能系统当中每一个储能单元的各种要求。(3-5)(3-6)(3-7)(2)负荷缺电率负荷确定率通常是指在实际运行过程当中，总的缺乏量和负荷整体的供应能量之间的比值，具体的式子如下所示，在计算的过程当中如果负荷确定率越小，那么说明了整个系统在运行过程当中可靠程度越高，因此为了保证当前电网能够有序的运行，需要通过计算负荷确定率的方式来进行最终系统稳定性的评价，只有当负荷确定率稳定在一定范围之内时，才能够保证最终的电网系统在运行时不会出现较大的波动。(3-8)(3-9)(3)能量损失率能量利用率则是根据当前新能源的发电量和符合的需求量占比的比值来进行反应，它能够反映可再生能源是否能够被充分的利用，因此为了保证在新能源的利用过程当中，利用率得到提高，可以通过计算能量损失率的方式，来进行最终的评判，具体的式子如下所示。(3-10)(3-11)1.2基于人工蜂群（ArtificialBeeColony）算法的混合储能容量配置方法1.2.1人工蜂群算法工作原理蜜蜂在寻找食物的过程当中具备有非常明显的分工特点，并且蜜蜂在寻找食物时还具备了信息共享的机制，因此人工蜂群的算法则是模拟当前蜜蜂寻找食物源的过程，通过风蜂当中不同的工作特性来将蜂群进行划分，一般的风蜂通常可以划分为三个种类及侦查蜂，跟随蜂和引领蜂这三种其中引领蜂的主要功能是在食物源的相邻区域内进行寻找，并且将这些食物源的信息进行共享，将当前的寻找信息传递到跟随蜂，而跟随蜂根据贪婪的法则来进行最终食物的挑选，并且进一步的开发出新的食物源，而跟随蜂在开采之后并且达到相应的时间之后，就可以根据当前峰提供给我们的各种情况来进行类型的转变，是否转变为侦查蜂来进一步的对食物来源进行更换，并且在研究其优化问题的函数时和求解过程当中，可以从食物源提供情况以及目标函数的建立情况和最大适应度值的大小来进行最终的目标函数研究和确立，通常只有满足最大适应度值提高的情况下，才能够保证食物源的优质情况。人工蜂群算法则是通过模拟当前蜂群寻找食物过程当中的行为，提出来一种非常重要的智能算法，在人工蜂群算法的研究过程中可以发现，主要是利用诱导引领蜂在实物原领域进行搜寻的方式，来进行最终的食物源概率搜寻，通过不同的行为进行最终的循环确立，以此求出，最终的优化问题最优解。跟随蜂选中食物源i的概率表示为：(3-12)搜索的新食物源位置可表示为Vi=(vi1,vi2,……,viD)，搜索公式为(3-13)此时新的食物源的位置可表示为(3-14)因此人工蜂群算法在实际的求解过程当中，具体的步骤如下所示。Step1：首先对初始的参数进行初始化的操作，并且产生随机的食物源，通过食物源的方式计算出对应的适应度值大小。Step2：此时跟随蜂进一步的搜索当前食物源的位置以及领域的大小，通过搜索的方式产生新的食物源位置，进一步的对适应度值计算，在计算适应度值的过程当中，保留更好的食物源位置。Step3：此时选中不同的食物源概率，并且作为主要的判断依据，跟随蜂会选择当前的食物源，并且进一步的求出位置的邻域，根据公式来得到最终新的食物源位置，此时计算出最终的适应度大小，保留更好的食物源位置。Step4：进一步的对食物源的树木进行判断，如果此时的食物源根据公式3-13进一步的对新的食物源进行寻找儿，如果没有出现放弃食物源的情况，进入到第5步。Step5：对最终的迭代次数进行分析和判断，如果此时达到了最大的迭代次数，将会将此时的最优食物源进行输出。1.2.2人工蜂群算法的改进根据上文的式子3-13可以发现跟随蜂和引领蜂，两者之间可以在一维的邻域之内进行搜索，在实际的搜索过程当中可能会出现效率较低的情况，因此为了进一步的提高人工搜寻算法的效率，文献提出了通过恒定参数的方式来调整最终搜索的维度数，当蜂群在进行搜索工作的过程当中，产生随机变量的方式，来进行最终恒定参数与随机变量之间的比较，通过比较的方式来进行领域的搜寻，如果随机数超过了最终的恒定参数，蜂群将会搜索该维度的领域，进一步的通过随机数来进行，最终恒定参数的测量。因此从上述的分析可以发现，如果设置的恒定参数值越大，那么蜂群在实际搜索过程当中维度数也越高，这样虽然可以提高算法局部的搜索能力，并且加快算法的收敛情况，但是并没有较好的全局搜索能力，而如果设置的恒定参数值越小，那么说明此时算法虽然具备有较强的搜索的能力，但是在收敛方面却没有较好的效果，因此本文充分的借鉴，这种思想引入了动态参数，调整来进行了最终的算法设计，在收敛初期保证了全局的收敛能力，而在后期提高了局部收敛的能力，具体的取值式子，如下所示。(3-15)根据上述的公式，3-13由于新的食物源，在实际产生的过程当中，只是在食物源附近，因此在实际的运行过程当中会降低算法的多样性和有效性，降低了局部收敛的能力，因此在进行循序渐进的过程当中，可能出现收敛缓慢的情况，因此本文在对公式3-13进行分析的过程当中，提出了新的算法搜索策略，如下面4个式子所示。(3-16)(3-17)(3-18)(3-19)上述的4种四策略，同传统的人工蜂群算法相比具备有更好的优点，但是在运营过程当中也存在着一些缺点，由于上述的4种搜索策略，在运行的过程当中与人工蜂群算法的运行基本上是一致的，仅仅在性能方面有着一些不同，但是可以通过研究它们的共性和差异性，取长补短来实现最终的协同进化。本文通过对5种操作策略进行深入的分析和研究，利用取长补短的方式，来对传统的人工蜂群算法进行改进，在算法的思想当中引入了协同进化思想主要的搜索策略，包含了5种搜索的策略方案并且蜂群，在进行搜索的过程当中，需要从当前的搜索策略局当中选择一种策略作为寻找食物源的方式，因此在进行搜索的过程当中，通过5种策略来形成新型的搜索策略，如下所示。(3-20)流程图如图1.1所示图1.1改进后的ABC算法寻求最优解流程图改进后的ABC算法具体的求解步骤如下所示。Step1：首先对设置的初始参数进行初始化，并且根据引领蜂的数量来产生随机的初始解。Step2：根据设置的初始点计算出当前的适应度值大小，并且根据适应度大小来进行选择。Step3：通过对所有的引领蜂进行计算，根据式子3-15和式子3-20来对新的食物源的适应度值进行计算，对于适应度值较高的食物源作为新的食物源。Step4：通过上述计算的新食物源，进一步的选择目标函数值，并且通过式子3-12进一步的对选取的概率进行分析。Step5：根据式子3-15和式子3-20进一步的寻找出新的食物源冤种目标函数来进行，最终的适应度值的计算，并且选择适应度值较高的食物源作为新的食物源。Step6：通过多次迭代可以发现引领蜂对应的食物源不会发生变化，并且引领蜂将会转化为侦查蜂，通过式子3-14来生成新的食物源。Step7：此时将全局的最优解进行记录，并且转入步骤三直到最终算法的迭代，数目满足最大才停止。1.2.3算法测试为了进一步的测试当前改进的人工蜂群算法，本文主要利用的测试函数，对于传统的封建法和当前改进的分析算法进行了比较，在进行比较过程当中，主要应用了以下的4个函数。并且在测试的过程当中具体的值如下所示。表1.1测试函数在进行实验的过程当中，根据本文设立的目标函数以及最大的评价目标，对三种算法分别进行模拟和仿真仿真的次数为30次，并得到了最终的4种最优之结果，通过数值实验完成了最终的算法，具体的仿真结果如下表所示。表1.2D=60时三种算法的优化性能比较表1.3D=100时三种算法的优化性能比较从上述表格的数值分析可以发现，相对于单峰函数的仿真过程当中，三种算法在求解的过程当中都没有求出最优的理论值，但是在求解时，精度和稳定性传统的人工蜂群算法与常用的GABC算法相比本文提出的改进人工蜂群算法效果更好，而在其他函数的仿真过程当中改进的人工蜂群算法，虽然求解效果不佳，没有求到最终的理论最优解，但是本文在传统的人工蜂群算法之上，引入了动态参数，来调整了最终的搜索维度，在实际的运营过程当中，如果搜索的维度越高，将会导致函数不会出现收敛的情况，因此本文所提出的改进人工蜂群算法，通过引入动态参数的方式，进一步的提高了算法跳出局部自由节的能力，进一步的改善了在求解过程当中的效果。在4个函数的寻求过程当中，具体的收敛曲线如下图所示，从图中可以发现，改进的人工空间算法在求解前两个函数时，整体的收敛曲线近似一条线性递减的直线，因此相对于另外几种算法相比，收敛的速度更快，并且精度更高，本次算法在设计的过程当中具备有更强的跳出局部最优解的能力，进一步的提高了算法使用的效果。图1.2Sphere函数的收敛曲线图1.3Schwefel2.21函数收敛曲线图1.4Rastrigin函数收敛曲线图1.5Schaffer函数收敛曲线1.3风光储混合储能容量配置算例分析1.1.1优化配置结果及比较分析根据全文分析的资料和查找的文献，通过对于24小时之内的光照强度的有关数据，利用微电网作为主要的研究目标，建立了最终的容量优化配置模型，下述的表格展示了具体的参数。表1.4混合储能系统的主要参数(1)不含储能系统的微电网风光混合发电系统通过不同的储能装置以及混合式的发电系统，其最终的指标结果如表所示。表1.5未配置储能装置时的fL和fel指标指标值fL0.3547fel0.2367(2)配置混合储能装置的孤立微电网风光发电系统通过上述建立的优化模型，利用传统的人工空间算法和改性的人工空间算法，以及接BC算法对当前的风光混合微，电网进行最终的储能优化配置问题的求解，求解的过程如下图所示，并且最终得出的优化配置容量，结果如表3-6所示。图1.6传统ABC算法求解结果图1.7GABC算法求解结果图1.8改进ABC算法求解结果从上述表格的数据可以发现，通过三种算法的求解，不仅仅可以保证了混合储能装置供电系统可靠性