Matlab|基于多目标粒子群算法的配电网储能选址定容

2024-03-21 04:04

本文主要是介绍Matlab|基于多目标粒子群算法的配电网储能选址定容,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!

目录

一、主要内容

二、主要流程

三、部分程序

四、程序结果

五、程序链接


一、主要内容

程序是对文章《基于多目标粒子群算法的配电网储能选址定容》的方法复现,具体内容如下:

以系统节点电压水平(电网脆弱性)、网络损耗以及储能系统总容量为目标建立了储能选址定容优化模型。求解过程中提出了一种改进多目标粒子群算法(improved multi—objective particle swarm optimizer,IMOPSO)。该算法根据粒子与种群最优粒子的距离来指导惯性权重的取值,使得各粒子的惯性权重可以自适应调整,并在二者距离较小时引入交叉变异操作,避免陷入局部最优解,同时采用动态密集距离排序来更新非劣解集并指导种群全局最优解的选取,在保持解集规模的同时使解的分布更均匀。为避免决策者偏好对最终结果的影响,采用基于信息熵的序数偏好法从最优Pareto解集中选取储能的最优接入方案。以IEEE33节点配电系统为例进行仿真验证,结果表明该方法在储能选址定容问题求解中具有很好的收敛性以及全局搜索能力。

二、主要流程

储能选址定容在智能算法中的实现过程不难,刚开始变量定义部分,主要是涉及储能选址的位置、容量和储能出力,以这两部分变量作为优化变量,通过设置最大值和最小值确定变量上下限范围。

下一步的关键点就是约束处理部分,对于储能soc约束,在单目标实现过程中可以采用罚函数的表达方式,但是在多目标求解过程中最好是采用绝对约束表达方式,因为多目标的帕累托解集有可能将不满足约束条件的目标值也筛选进入解集中,就会导致解集的不准确。

最后就是设置目标值,对于配电网节点系统,要注意潮流计算方式的选择和储能出力对系统影响,然后设置不同的目标值。

上述都设置清楚后,采用智能算法进行求解就简单了,多目标算法要注意采用拥挤距离识别方法保证解集分布的合理性(ps:之前有同学付费要解决解集分布不合理问题,被我拒绝了,直接发给他这个程序参考一下完美解决,这种方法已经很成熟,也有很多的参考,很容易解决,没必要花冤枉钱)。

三、部分程序

%% ***************导入网络参数******************%
 
FH1=[2084,1933,1782,1657,1564,1612,1982,2189,2412,2729,2905,3096,3189,3073,3000,2917,3149,3355,3526,3620,3715,3276,2911,2309];
 
% plot(FH1)%输入全天的负荷数据
 
WT1=[201,191,193,201,205,210,204,180,139,110,94,88,76,79,82,86,90,95,105,117,129,141,158,187];   %输入全天的风电数据
 
% plot(WT1)
 
PV1=[0,0,0,0,0,0,0,14,29,76,121,154,193,205,193,174,122,69,45,11,0,0,0,0];   %输入全天的光伏数据
 
% plot(PV1)
 
Generator=xlsread('GEN.xlsx','A2:U8');   %输入发电机矩阵参数,其中20,14接风电;9,30接光伏
 
Bus=xlsread('BUS.xlsx','A2:M34');    %输入负荷矩阵参数,matpower数据格式,第3列和第4列为有功和无功负荷所占总有功和无功负荷比例
 
FH=FH1/1000;   %将kw化为mw,调整渗透率
 
WT=2*WT1/1000;
 
PV=2*PV1/1000;
 
FHBus=Bus;
 
T=24;
 
for t=1:T
 
    FHP(:,t)=FH(1,t)*Bus(:,3);      %求各个时间段的有功负荷
 
    FHQ(:,t)=FH(1,t)*2.3/3.715*Bus(:,4);   %求各个时间段的无功负荷【常数什么意思】
 
end
 
% *******************导入结束********************%
 
%% ****************决策空间的设置1**************%
 
maxFun=3;                    %三个目标函数
 
 fff=[0,1;0.05,0.4;0.2,2]; %各个目标函数的最小值和最大值,即绝对正理想解和绝对负理想解,可分别设单目标求解
 
%fff=[0,0.4;30,100;10000,20000];  
 
n = 50;                         % 初始种群个数
 
d = 52;                          % 空间维数,即决策变量(各设备控制量)个数
 
maxIterations = 50;            % 最大迭代次数
 
wmax=0.9;          %maximum of inertia factor,最大惯性系数
 
wmin=0.4;          %minimum of inertia factor,最小惯性系数
 
c1=1.4962;              %1.4962; %learning factor1,自我学习因子
 
c2=1.4962;              %1.4962; %learning factor2,群体学习因子
 
soc=0.5;
 
 
 
X1limit = [2, 33];              % 设置选址参数限制
 
%X2limit = [0.2, 2.5];              % 设置容量参数限制,统一化成MW
 
X2limit = [1, 2];              % 设置容量参数限制,统一化成MW
 
V1limit = [-31, 31];               % 设置速度限制
 
%V2limit = [-2.3, 2.3];              % 设置速度限制
 
V2limit = [-1.8, 1.8];
 
Xmax=[X1limit(1,2),X1limit(1,2),X2limit(1,2),X2limit(1,2)];
 
Xmin=[X1limit(1,1),X1limit(1,1),X2limit(1,1),X2limit(1,1)];
 
dX=Xmax-Xmin;
 
Vmax=dX;
 
%***********决策空间设置1结束**********%
 
 
 
%% ******种群位置与速度初始化*******%    
 
X1 = round(X1limit(1, 1) + (X1limit(1, 2) - X1limit(1, 1)) * rand(n, 2));        %初始种群的位置(节点位置)四舍五入取整
 
X2 = X2limit(1, 1)+(X2limit(1, 2)-X2limit(1, 1)) * rand(n, 2);       %初始种群的位置(容量大小)
 
X = [X1,X2];                %初始种群的位置
 
 
 
V1 = V1limit(1, 2) * (2*rand(n, 2)-1);     %初始种群的速度
 
V2 = V2limit(1, 2) * (2*rand(n, 2)-1);     %初始种群的速度
 
V=[V1,V2];                      % 初始种群的速度
 
%*****24小时储能出力变量初始化*********%
 
E1=zeros(n,T+1);   %储能1各时段的剩余容量,即SOC
 
E2=zeros(n,T+1);   %储能2各时段的容量
 
E1(:,1)=0.5*X(:,3);   %初始容量设为50%总容量【拟采用40%】
 
E2(:,1)=0.5*X(:,4);
 
x1limit = [-0.5, 0.5];              % 设置储能有功出力约束
 
xmax=[Xmax,x1limit(1,2)*ones(1,48)];
 
xmin=[Xmin,x1limit(1,1)*ones(1,48)];
 
dx=xmax-xmin;
 
v1limit = [-1, 1];                % 设置储能有功出力约束
 
vmax=dx;
 
%******变量维数(总共52维)解释:位置1,位置2,额定容量1,额定容量2,储能1的24小时出力,储能2的24小时出力
 
x=[X,bsxfun(@times,x1limit(1,2)*ones(1,48),(2*rand(n, 48)-1))];
 
v=[V,bsxfun(@times,v1limit(1,2)*ones(1,48),(2*rand(n, 48)-1))];

四、程序结果

五、程序链接

 

这篇关于Matlab|基于多目标粒子群算法的配电网储能选址定容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/831707

相关文章

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.

python+opencv处理颜色之将目标颜色转换实例代码

《python+opencv处理颜色之将目标颜色转换实例代码》OpenCV是一个的跨平台计算机视觉库,可以运行在Linux、Windows和MacOS操作系统上,:本文主要介绍python+ope... 目录下面是代码+ 效果 + 解释转HSV: 关于颜色总是要转HSV的掩膜再标注总结 目标:将红色的部分滤

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

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.

golang字符串匹配算法解读

《golang字符串匹配算法解读》文章介绍了字符串匹配算法的原理,特别是Knuth-Morris-Pratt(KMP)算法,该算法通过构建模式串的前缀表来减少匹配时的不必要的字符比较,从而提高效率,在... 目录简介KMP实现代码总结简介字符串匹配算法主要用于在一个较长的文本串中查找一个较短的字符串(称为

通俗易懂的Java常见限流算法具体实现

《通俗易懂的Java常见限流算法具体实现》:本文主要介绍Java常见限流算法具体实现的相关资料,包括漏桶算法、令牌桶算法、Nginx限流和Redis+Lua限流的实现原理和具体步骤,并比较了它们的... 目录一、漏桶算法1.漏桶算法的思想和原理2.具体实现二、令牌桶算法1.令牌桶算法流程:2.具体实现2.1

Python中的随机森林算法与实战

《Python中的随机森林算法与实战》本文详细介绍了随机森林算法,包括其原理、实现步骤、分类和回归案例,并讨论了其优点和缺点,通过面向对象编程实现了一个简单的随机森林模型,并应用于鸢尾花分类和波士顿房... 目录1、随机森林算法概述2、随机森林的原理3、实现步骤4、分类案例:使用随机森林预测鸢尾花品种4.1

如何用Java结合经纬度位置计算目标点的日出日落时间详解

《如何用Java结合经纬度位置计算目标点的日出日落时间详解》这篇文章主详细讲解了如何基于目标点的经纬度计算日出日落时间,提供了在线API和Java库两种计算方法,并通过实际案例展示了其应用,需要的朋友... 目录前言一、应用示例1、天安门升旗时间2、湖南省日出日落信息二、Java日出日落计算1、在线API2

不懂推荐算法也能设计推荐系统

本文以商业化应用推荐为例,告诉我们不懂推荐算法的产品,也能从产品侧出发, 设计出一款不错的推荐系统。 相信很多新手产品,看到算法二字,多是懵圈的。 什么排序算法、最短路径等都是相对传统的算法(注:传统是指科班出身的产品都会接触过)。但对于推荐算法,多数产品对着网上搜到的资源,都会无从下手。特别当某些推荐算法 和 “AI”扯上关系后,更是加大了理解的难度。 但,不了解推荐算法,就无法做推荐系

康拓展开(hash算法中会用到)

康拓展开是一个全排列到一个自然数的双射(也就是某个全排列与某个自然数一一对应) 公式: X=a[n]*(n-1)!+a[n-1]*(n-2)!+...+a[i]*(i-1)!+...+a[1]*0! 其中,a[i]为整数,并且0<=a[i]<i,1<=i<=n。(a[i]在不同应用中的含义不同); 典型应用: 计算当前排列在所有由小到大全排列中的顺序,也就是说求当前排列是第