原创~尚未发表!基于改进秃鹰算法的多区域微网经济优化调度程序代码!

本文主要是介绍原创~尚未发表!基于改进秃鹰算法的多区域微网经济优化调度程序代码!,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

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

%% 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!

这篇关于原创~尚未发表!基于改进秃鹰算法的多区域微网经济优化调度程序代码!的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1115792

相关文章

Python如何使用__slots__实现节省内存和性能优化

《Python如何使用__slots__实现节省内存和性能优化》你有想过,一个小小的__slots__能让你的Python类内存消耗直接减半吗,没错,今天咱们要聊的就是这个让人眼前一亮的技巧,感兴趣的... 目录背景:内存吃得满满的类__slots__:你的内存管理小助手举个大概的例子:看看效果如何?1.

一文详解SpringBoot响应压缩功能的配置与优化

《一文详解SpringBoot响应压缩功能的配置与优化》SpringBoot的响应压缩功能基于智能协商机制,需同时满足很多条件,本文主要为大家详细介绍了SpringBoot响应压缩功能的配置与优化,需... 目录一、核心工作机制1.1 自动协商触发条件1.2 压缩处理流程二、配置方案详解2.1 基础YAML

SpringBoot实现MD5加盐算法的示例代码

《SpringBoot实现MD5加盐算法的示例代码》加盐算法是一种用于增强密码安全性的技术,本文主要介绍了SpringBoot实现MD5加盐算法的示例代码,文中通过示例代码介绍的非常详细,对大家的学习... 目录一、什么是加盐算法二、如何实现加盐算法2.1 加盐算法代码实现2.2 注册页面中进行密码加盐2.

Java时间轮调度算法的代码实现

《Java时间轮调度算法的代码实现》时间轮是一种高效的定时调度算法,主要用于管理延时任务或周期性任务,它通过一个环形数组(时间轮)和指针来实现,将大量定时任务分摊到固定的时间槽中,极大地降低了时间复杂... 目录1、简述2、时间轮的原理3. 时间轮的实现步骤3.1 定义时间槽3.2 定义时间轮3.3 使用时

MySQL中慢SQL优化的不同方式介绍

《MySQL中慢SQL优化的不同方式介绍》慢SQL的优化,主要从两个方面考虑,SQL语句本身的优化,以及数据库设计的优化,下面小编就来给大家介绍一下有哪些方式可以优化慢SQL吧... 目录避免不必要的列分页优化索引优化JOIN 的优化排序优化UNION 优化慢 SQL 的优化,主要从两个方面考虑,SQL 语

MySQL中慢SQL优化方法的完整指南

《MySQL中慢SQL优化方法的完整指南》当数据库响应时间超过500ms时,系统将面临三大灾难链式反应,所以本文将为大家介绍一下MySQL中慢SQL优化的常用方法,有需要的小伙伴可以了解下... 目录一、慢SQL的致命影响二、精准定位问题SQL1. 启用慢查询日志2. 诊断黄金三件套三、六大核心优化方案方案

Redis中高并发读写性能的深度解析与优化

《Redis中高并发读写性能的深度解析与优化》Redis作为一款高性能的内存数据库,广泛应用于缓存、消息队列、实时统计等场景,本文将深入探讨Redis的读写并发能力,感兴趣的小伙伴可以了解下... 目录引言一、Redis 并发能力概述1.1 Redis 的读写性能1.2 影响 Redis 并发能力的因素二、

使用国内镜像源优化pip install下载的方法步骤

《使用国内镜像源优化pipinstall下载的方法步骤》在Python开发中,pip是一个不可或缺的工具,用于安装和管理Python包,然而,由于默认的PyPI服务器位于国外,国内用户在安装依赖时可... 目录引言1. 为什么需要国内镜像源?2. 常用的国内镜像源3. 临时使用国内镜像源4. 永久配置国内镜

C#原型模式之如何通过克隆对象来优化创建过程

《C#原型模式之如何通过克隆对象来优化创建过程》原型模式是一种创建型设计模式,通过克隆现有对象来创建新对象,避免重复的创建成本和复杂的初始化过程,它适用于对象创建过程复杂、需要大量相似对象或避免重复初... 目录什么是原型模式?原型模式的工作原理C#中如何实现原型模式?1. 定义原型接口2. 实现原型接口3

如何通过Golang的container/list实现LRU缓存算法

《如何通过Golang的container/list实现LRU缓存算法》文章介绍了Go语言中container/list包实现的双向链表,并探讨了如何使用链表实现LRU缓存,LRU缓存通过维护一个双向... 目录力扣:146. LRU 缓存主要结构 List 和 Element常用方法1. 初始化链表2.