【《改进粒子群算法在小区微网能源优化配置中的应用分析案例》6100字】

PAGE3改进粒子群算法在小区微网能源优化配置中的应用分析案例目录TOC\o"1-3"\h\u23543改进粒子群算法在小区微网能源优化配置中的应用分析案例 1145681.1改进粒子群优化的BP神经网络 1305031.1.1粒子群算法 16181.1.2改进的粒子群优化算法 2325251.2小区微网能源优化配置算例分析 573121.2.1参数配置 5321781.2.2优化配置方案 81.1改进粒子群优化的BP神经网络1.1.1粒子群算法 粒子群优化算法从出现起就引起了大家的注意，紧随探究成果连续不断出现，此算法受众范围已经从函数优化及神经网络的训练发展到更广阔的范围，使粒子群算法在现实实际的应用中更具实用价值，立足粒子群现有算法的基础上开展进一步的优化探究。现阶段粒子群优化算法的关键使用在以下几个领域：第一，函数优化，此在处理某部分典型的函数优化分析上，或者某处非线性函数时体现更好的效果。第二，神经网络训练，对此算法应用在神经网络训练获得了优越的结果，分析得出，这为一种有很大前景的神经网络训练算法，比方说用在城市环境现状的探究及展望等。第三，工程领域应用，大多数工程中的真实情况的主要内涵全为优化的障碍，所以此算法能够应用到真实的工程困难上，靠PSO算法与BP神经网络算法有效结合训练神经网络已实施在电动汽车燃料电池组充电形式的考察上。第四，其依赖即刻优化问题的运算，比方说某一雪球车辆形式途径分析，随机策划等。第五，针对是最优控制问题的运算，比方说算出市区环路交通协调控制系统。 目前，已经有大量文献对粒子群算法在实际问题中进行应用，证明了粒子群算法的实用性。针对单个物品的两库存问题，BhuniaAK等人考虑了具有不同保存设施的两个独立仓库，并且允许付款延迟和部分短缺，通过PSO算法对这一非线性约束问题进行求解。SamalNK等人采用PSO算法对预防性维修和备件库存的联合优化问题进行求解，用以获取最佳的预防性维修和备件库存订购间隔。BhuniaAK进一步针对生产库存模型中需求是可变并取决于售价和营销成本、缺货速度取决于等待时间、制造过程中可能会产生缺陷等问题，采用基于粒子群优化约束因子的高效软件算方法对上述问题进行优化。Cao,H提出了一个蒙特卡罗模拟模型，该模型可以模拟需求不确定的供应链在任意分布函数下的库存变化过程，利用粒子群算法实现库存总成本最小化的协调决策方案。Park·K等人提出了一种基于粒子群优化（PSO）的供应链总成本和订单填充率优化方法，该方法通过考虑信息质量水平（iql）自动调整供应链各层次的初始库存水平。 随着粒子群优化算法的应用，对于粒子群改进算法的研究也逐渐增多。LiuSC等人针对采用粒子群算法求解定期库存路由问题中根据最小成本标准确定供应商在周期性时间内的配送路由和零售商的库存策略时容易陷入局部最优的问题，将邻域搜索集成到PSO中。在PSO算法中，

PatneK等人引入了突变，以防止提早收敛而掉到局部最优的情况，还把完善之后的

PSO算法应用到库存管理决策当中。Zhang,T等人指明了一类非线性整数规划模型，该模型在结合按订单生产和按库存生产策略的同时优化钢厂的多级库存匹配和订单计划。作者提出了一种改进的粒子群优化（PSO）方法，引入了不可行解的修复策略和库存再匹配方案。Kim,J等人为药品供应链中的批发商提出了一种基于PSO-MMIC（基于最小-最大库存控制的粒子群优化）的库存策略。建立了基于DEVS（离散事件系统规范）的模型来实现虚拟药品供应链，并且对设计的模型进行了仿真以衡量管理政策的绩效。杨静雅和孙林夫则在参数优化后，基于QPSO-SVR，设制出了一个售后配件库存诉求预测过程。通过对汽车产业链协同平台售后配件历史需求数据的模拟，把QPSO-SVR预测模型和反向传输神经网络(BPNN)以及

PSOSVR模型进行了对比，从其结果中可以看出，QPSO-SVR预测办法是高效、可实施的，其预测精度与泛化能力都比其余两种方法好。利用改善的多目标混合粒子群算法(MOHPSO)，唐金环等人专门为产供销一体化公司中选址-路径-库存系统的共同完善这一难题构建模型并对其进行运算求出结果，从结果中可以看出，所得到的帕累托最优解集可结合决策者的环境倾向挑选最好的运行办法。1.1.2改进的粒子群优化算法 粒子群优化算法，英文名为ParticleSwarmOptimization（简称PSO），率先由JamesKennedy首次提到，该方法是一类以群体演变为前提的进化算法，将加速迭代计算和群智能作为衡量算法是否优秀的先决基础。用N代表粒子群的种群数量，用D代表空间在搜索过程中的维数，同时也代表其中存在几个网络权值。nini则作为空间为D维的迭代模式对位列为i的粒子进行描述，空间方位记作，，第i个粒子的速度位置为；那么第i个粒子在D维搜索空间的目前可以观察到的最佳极值为；种群群体的最优位置表示成。在D维的解空间当中，所有进行的的迭代，任意一个粒子的速度以及方位都会伴随本身的个体极值方位以及现阶段的全局最优方位发生转变，则位置更新和速度更新的表达式如式（4-3）和（4-4）。(STYLEREF1\s4-SEQ(\*ARABIC\s13)(STYLEREF1\s4-SEQ(\*ARABIC\s14)其中t为迭代次数；是平衡全局与局部检索能力的惯性因子，和是学习因子，一般为正常数，取值范围为，和表示在0~1之间的随机数字；，，代表粒子速度的最大值，代表粒子方位的最大值，它们各自用来制约粒子速度以及方位。需要说明的是：式（4-3）为标准粒子群优化算法（SPSO），种群大小N根据要求而定，一般情况下种群规模大小N取值为20~40；当=0时，速度紧跟现阶段的方位以及过去最优方位相关，对于速度本身而言，记忆性并非其与身俱来的特性。值以高值呈现，则对于算法而言，需具备一定程度的全局检索才能。的数值比较小时，算法拥有比较大的局部检索才能进行；粒子的最大速度跟现阶段的方位以及最佳方位间的区域精度有决策性作用，当过大时，粒子赶超极小点的可能性增大，从而存在风险，若过小，则粒子检索范围被框限在局部区域，虽能得到最有检索，但非全域而是局部极小点范围内最优。PSO算法正如上述所言，寻优精度低、局部寻优能力不强、非常容易发生早熟这一状况等，所以许多科研人员对PSO算法提出了改进方案，对

PSO算法的性能进行提升，加强算法的局部以及全局检索才能与收敛速率，以防调入局部最优与过早收敛。目前，现有的PSO算法改进策略主要有：对粒子群算法的参数进行改进，例如对惯性因子的研究，由Shi等人在2011年提出了惯性因子递减策略；对拓扑结构的改进，Ghosh等人指明了以多群拓扑的混合粒子为前提的群优化算法；和别的优化算法彼此联合的改善办法，Yannis等人把粒子群算法和贪婪型随机自适应检索以及延伸邻域检索策略相互联合。基于以上分析，本文对粒子群优化算法的改进如下所示：（1）对PSO算法的惯性因子进行改进通过阅读大量的文献可知，PSO算法的寻优过程为非线性的，所以本文给出了惯性因子递减策略，则改进后的惯性因子的数学表达式如式（4-5）所示：(STYLEREF1\s4-SEQ(\*ARABIC\s15)上述式子当中代表惯性因子的最大值，而则代表惯性因子的最小值；代表迭代频次，代表最大迭代频次；表示改变惯性因子的变换系数。（2）对PSO算法的种群多样性进行改进本文提出一种改进种群多样性的方法，在保证种群多样性的前提下，在初期时先适当地保存好其全局检索能力后，可在之后适当的时间内逐步提高算法在全局范围内的检索水平，避免陷入局部极小的困境。相关改进方案具体如下：设置为门限值，若出现门限值（T）大于迭代次数（t）时，则求得粒子所处位置同全局极值之间算术平均值，可行方法为对种群的检索能力作相应调整，提高局部降低全局是主要的方法思路。若出现门限值（T）小于迭代次数（t）时，则通过随机添加的扰动项对全局极值产生影响，其实际目标就是为了合适的提升种群的全局检索能力。则的表达式如式（4-6）所示：(STYLEREF1\s4-SEQ(\*ARABIC\s16)对PSO算法作如下具体改进：1.致使种群回归初始化状态，由此产生的种群规模不一，大小均定为；2.借助目标函数的形式对每个粒子的适应度数值进行具体求解，得出个体以及全局两类极值；3.对目前的迭代次数同门限值T作比较，若比值小于1，则可以全局极值为参照标准对新产生粒子的位置进行调整，具体如下：(STYLEREF1\s4-SEQ(\*ARABIC\s17)倘若现阶段迭代频次比门限T大，那么就要对全局极值增加扰动项，即：(STYLEREF1\s4-SEQ(\*ARABIC\s18)参照进行跟进改善。1.对终止条件进行初步判断，若仍未达其标准，则继续回归第二步进行迭代；若满足，终止迭代过程。PSO算法的全局检索能力使

BP神经网络的拓扑结构与连接权值得到完善，BP神经网络的误差函数就会当做

PSO算法的适应度函数，以改善粒子群算法为目标，对BP神经网络进行逐步改进完善，其具体步骤如下：1.将参数执行初始化指令，包含：种群大学、惯性因子的极值、神经元数目、误差等，从而搭建神经元网络的框架。2.初始化PSO算法的粒子群：结合BP神经网络的神经元的数目可任意的产生所有粒子的方位以及速度向量。3.以

BP神经网络的误差函数作为适应度函数进行传输过程中的训练样本内容，计算粒子适应的具体数值，同时对粒子个体以及群体两类极值进行深度明确。1.时刻关注粒子运动的方位及速率，并及时进行迭代更新，再运算所有的迭代后的适应度值，结合适应度值调节粒子的个体以及全局两类极值，以达成最终终止条件为目标。5.将从上述求解步骤中得到的最优权值代入测试集，并对BP神经网络开启检测工序，得到优化配置结果。1.2小区微网能源优化配置算例分析1.2.1参数配置本人采用以风力发电(WT)、光伏电池(PV)、蓄电装置(EB)、蓄热装置(HB)、蓄冷装置(CB)、燃气轮机(GT)、燃气锅炉(GB)、吸收式制冷机组(AC)、电制冷机组(EC)等为例，以冷热电联供为基础，与外部能源网络相连接的综合能源系统的计算方法[58]。因为小区微网的能量传输损耗很小，系统结构也比较简便，所以在对综合能源系统的完善调节当中，没有思量到系统的网损。风力发电设备与光伏电池的额定容量都是500

kW。图4-1为模拟获得的某小区全年单位面积冷热负荷诉求曲线，图4-2为结合该地区全年光照强度运算得出的1kW太阳能电池板理论发电功率曲线；结合小区微网地理区域的约束，图4-3为某小区三种典型日下光伏出力曲线，图4-4为某小区三种典型日下风电出力曲线。图STYLEREF1\s4-1某小区全年单位面积冷热负荷曲线图STYLEREF1\s4-2某小区1kW光伏理论出力曲线图STYLEREF1\s4-3某小区三种典型日下光伏出力曲线图STYLEREF1\s4-4某小区三种典型日下风电出力曲线 图4-5到图4-7为夏季、冬季与过渡季节的典型日冷热电负荷曲线，当中热负荷区可分成热水负荷与空间热负荷，可是在现实计算当中一起当做热负荷来考量。负荷功率曲线当中的电负荷部分可以体现出高峰时段、平时段、谷时段的负荷特点，所以微网和外部供能网络交互电功率使用分时电价，此时还要一起运行综合能源系统把剩余的电力归还给电网，上网电价取对应时段微网购电售价的0.8倍[59]。天然气售价基本稳定，取3元/m³，使用天然气低热值9.7kWh/m3做功率折算。图STYLEREF1\s4-5夏季典型日负荷曲线图STYLEREF1\s4-6冬季典型日负荷曲线图STYLEREF1\s4-7过渡季节典型日负荷曲线1.2.2优化配置方案按照能源系统对综合负荷的要求以及系统结构，明确了设备储存量配置方案如下：在完善配置进程当中，把微网和外部网络的公共接线点当做平衡节点来做电能平衡，也就是指当系统内电能缺乏时或者电量充足时，可通过外部电网来使电能平衡；相同的原理，在完善优化进程当中，挑选冷热调峰设备当做冷热平衡的平衡节点，其设备有电制冷机以及燃气锅炉[60]。能量储存装置因为其输出功率和容量有密切联系，所以都选取容量为2000

kWh，最大输出功率是容量的0.2倍。根据以上三种典型日日负荷曲线，本文选取某小区夏季典型日为优化对象，夏季典型日的最大电负荷是2095kW、冷负荷是4413kW，热负荷是716kW。综合以上某小区夏季典型日实测数据，此时引入第4章节改进的粒子群算法，对粒子群算法的各个参数设置如表4-1所示。将设置的参数带入1.1.2章节的迭代步骤进行计算，其根本目的是使夏季运行成本以及能量交互的成本降为最低，经济性指标最优。表STYLEREF1\s4-1PSO算法各个参数PSO算法参数参数值种群规模500迭代次数500C11.5C21.5粒子维数10经迭代计算得出以下最优配置结果：燃气轮机能源输入：71175.94kWh风机能源输入：6425.32kWh光伏能源输入：3895.65kWh另需购电：14017.61kWh综合分析以上迭代后结果，并对各个负荷运转调节规划做相应的剖析，以证实该优化调度模型是否具有成效。图4-8至4-10各自代表夏季综合能源系统热能、冷能、电能功率平衡图，这当中坐标轴上面为制造该形式能量的机组以及与其相应的用户负荷，坐标轴下方是系统中损耗该类型能量的装置。通过对图4-8和图4-9进行探讨可以看出，因为热能在冷能的上游，少量热能经过吸收式制冷机组把热能转变成冷能，提供给客户应用，因此图4-8坐标轴上方制造热能比客户热负荷多的地方和坐标轴下方一样，也就是剩余的热能被吸收式制冷机组给用了，与此一起，还有少量的热能被蓄热装置保存起来，用它来补充其余时间里热能提供不充分的情况，又或许由于经济成效的缘由，出现了热负荷减峰补谷的状况[61]。与此一起，还能从图中了解到系统内许多提供热能的装置制造出的剩余热量比客户的热负荷大许多，此缘由是夏季典型日热负荷比冷负荷小很多，再研究解读图4-9冷能平衡图可以看出，系统绝大多数时间利用电制冷机制冷，此缘由是电制冷的成效比吸收式制冷成效高很多[62]。又因为燃气轮机有最小出力，造成燃气轮机余热总数比系统热负荷多许多，此处可以显著了解到该部分剩余热量被吸收式制冷机组所使用，在图4-8中22:00-8:00与12:00-17:00都存在该状况，可是在其他时间段里，因为电能平衡这一诉求，使得燃气轮机必须尽可能多的制造出热能，因此造成剩余热量变多的状况，对8:00-12:00与17:00-22：00的燃气轮机以及吸收式制冷机以及蓄热箱的储存热量状况进行剖析研究，燃气轮机出力会应吸收式制冷机容量以及蓄热箱所受限[63]。图STYLEREF1\s4-8夏季典型日综合能源系统热能平衡图图STYLEREF1\s4-9夏季典型日时综合能源系统冷能平衡图图STYLEREF1\s4-10夏季典型日时综合能源系统电能平衡图图4-11是三种蓄能装置的荷能状态图，从改图中可以观察到，在蓄能装置的设置中，初始状态都是0.4，在5:00以后才开始储存冷热电，因为在8:00以后，由于需要大量的冷热电[64]。与此同时，因为冷、热电储能设备都有部分的自损率的情况，因此，在10:00以后系统中没有其它设备和储能设备无能量交互时，荷能状态也会缓步降低，直至调节结束时荷能状态和调节初始状态一样。图STYLEREF1\s4-11夏季典型日