前言
随着光伏、风电等分布式电源的发展,配电网的供电模式得以改变,解决了传统火力发电带来的能源匮乏及环境污染问题,但其发电的随机性及波动性对配电网的稳定运行造成一定影响。以多个微电网组成的微电网群可有效消纳分布式电源,提高供电灵活性及可靠性,减少弃光、弃风率,降低经济成本。因此,构建微电网优化调度模型已成为微电网综合控制的核心问题之一,对减少微电网系统运行成本及环境污染具有重要意义。
微电网群系统结构
微电网群由3个独立的微电网(microgrid,MG)组成,各微电网内部包含光伏(photovoltaic,PV)、风力发电机(wind turbine,WT)、电动汽车(electric vehicle,EV)、微型燃气轮机(microturbine,MT)、储能电池(battery,BT)及负荷,通过能量管理中心实现彼此之间电能交互及向配电网买卖电,如下图所示。
目标函数
考虑微电网群系统运行成本及环境成本,构建微电网群经济优化调度模型,其中运行成本包括可控分布式发电单元的发电成本、设备运行维护成本、BT运行成本、电能交易成本;环境成本为CO2、SO2、NOx污染物气体的排放惩罚成本,以微电网群系统总运行成本为目标函数进行优化调度。
秃鹰搜索算法
BES是一种针对秃鹰狩猎行为提出的自然启发式算法(仿生算法),包含选择搜索空间、搜索猎物及俯冲3个阶段。
选择搜索空间阶段:该阶段秃鹰根据猎物数量随机选择搜索区域,飞到当前最优个体附近。
搜索猎物阶段:该阶段秃鹰在选定的搜索空间内螺旋飞行,加速搜索猎物。
俯冲阶段:该阶段秃鹰从当前最优位置以螺旋飞行的方式冲向猎物。
算法步骤
程序介绍
本程序构建以3个单微电网组成的微电网群优化调度模型,综合考虑系统总运行成本及环境成本,采用改进秃鹰算法(improved bald eagle search algorithm,IBES)进行求解,通过融合反向学习和柯西变异策略来提高秃鹰算法(bald eagle search algorithm,BES)的寻优精度,最终通过与其他算法对模型进行求解,验证改进后算法的优越性。程序中算例丰富,注释清晰,干货满满,创新性和可扩展性很高,足以撑起一篇高水平论文!下面对程序做简要介绍!
程序适用平台:Matlab+Yalmip+Cplex
参考文献:《基于改进秃鹰算法的微电网群经济优化调度研究》-太阳能学报
程序结果
部分程序
Matlab
%% 设置种群参数
parameters;
sizepop = 40; % 初始种群个数
dim = 288; % 空间维数
ger = 500; % 最大迭代次数
[x_max, x_min] = set_pop(dim); % 位置上下限
a = 2; % 位置变化参数
a1 = 10; % 搜索点之间角的参数
R = 1.5; % 搜索周期数
c1 = 1.8; % 增加秃鹰移动强度的随机数
c2 = 1.8; % 增加秃鹰移动强度的随机数
[x,y] = polr(a,R,sizepop); % 搜索猎物阶段的参数
[x1,y1] = swoo_p(a,R,sizepop); % 俯冲阶段的参数
%% 种群初始化
pop = x_min + rand(sizepop,dim).*(x_max - x_min); % 初始化种群
pop_best = pop(1,:); % 初始化群体最优位置
fitness = zeros(1,sizepop); % 所有个体的适应度
fitness_best = inf; % 初始化群体最优适应度
%% 初始的适应度% 计算适应度值
fitness(k) = objective_fun(pop(k,:));
fitness_best = fitness(k);
pop_best = pop(k,:);
history_IBES = zeros(1,ger); % IBES历史最优适应度值
%% 迭代求最优解
% 1.选择搜索空间阶段
pop_new = pop_best + 2*rand(1,dim).*(mean(pop) - pop(k,:));
fitness_new = objective_fun(pop_new);
% 2.搜索猎物阶段
pop_new = pop(k,:) + y(k)*(pop(k,:) - pop(k + 1,:)) + x(k)*(pop(k,:) - mean(pop));
fitness_new = objective_fun(pop_new);
% 3.俯冲阶段
pop_new = rand(1,dim).*pop_best + x(k)*(pop(k,:) - c1*mean(pop)) + y(k)*(pop(k,:) - c2*pop_best);
fitness_new = objective_fun(pop_new);
% 4.融合反向学习和柯西变异策略
pop1 = x_max + rand(1,dim).*(x_min - pop(k,:));
L = ((ger - iter)/ger)^iter;
pop_new = pop1 + L*(pop(k,:) - pop1);
部分内容源自网络,侵权联系删除!
欢迎感兴趣的小伙伴关注并私信获取完整版代码,小编会不定期更新高质量的学习资料、文章和程序代码,为您的科研加油助力!