基于改进粒子群算法的混合储能系统容量优化(Matlab代码实现)

简介: 基于改进粒子群算法的混合储能系统容量优化(Matlab代码实现)


👨‍🎓个人主页:研学社的博客

💥💥💞💞欢迎来到本博客❤️❤️💥💥



🏆博主优势:🌞🌞🌞博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。



⛳️座右铭:行百里者,半于九十。


📋📋📋本文目录如下:🎁🎁🎁

目录

💥1 概述

📚2 运行结果

🎉3 文献来源

🌈4 Matlab代码及文章讲解



💥1 概述

摘要: 为了调高风光互补发电储能系统的经济性减少其运行费用研究风光互补发电储能系统的容量优化配置模型,探讨粒子群算法的改进及混合储能容量优化方法首先通过对全生命周期费用静态模型的介绍利用蓄电池和超级电容器作为风光互补系统混合储能装置,以其全生命周期费用最小为目标以系统的缺电率等运行指标为约束条件,建立了一种混合储能系统容量优化配置模型其次通过优化不对称加速因子进而改进了粒子群算法,最后利用算例在 Matlab 中进行了仿真与求解结果表明该方法不仅优化了蓄电池的工作状态,降低了储能系统的全生命周期费用,而且加快了收敛速度

关键词: 风光互补发电系统; 超级电容器; 混合储能; 粒子群算法; 加速因子

由于其优良的节能减排价值风力发电和光伏发电近年来发展迅速,在风光资源等较为充足的地

设立了一些风光互补发电系统1 - 3但是由于风、光存在不稳定性和间歇性等特点,需要在风光互补发电系统中配置储能系统来平抑功率的波动。常用的储能装置包括电容器和蓄电池,蓄电池的能量比高,方便长时间存储电能,能增加整个发电系统的能量调节范围,但蓄电池的功率密度低、循环寿命短、有一定的环境污染,并且风、光的不稳定和间歇性等问题会加大系统中储能部分的费用; 超级电容器功率密度大、充放电速度快、循环寿命长,有助于抑制系统的短时功率波动。为优化蓄电池充放电状态,显著减少蓄电池充电和放电次数,延长其使用寿命,可将蓄电池和超级电容器混合做为储能装置,实现互补,称之为混合储能系统[4 - 6]。为了进一步提高

储能系统的经济性国内外很多学者开展了储能系统容量配置的大量研究,但是大部分只是考虑了储能器件的初次购置费用,而未考虑储能装置使用过程中的安装、维护以及废弃等方面所需费用即全生命周期费用[7 - 10因此以储能装置的全生命周期费用为优化目标,通过算法改进合理配置蓄电池和超级电容器的个数,优化容量配置成为风光互补发电混合储能系统的研究方向之一,特别是以全生命周期费用最小为目标,建立风光互补混合储能系统容量优化配置模型和算法研究。

image.gif

image.gif

📚2 运行结果

原文结果:

复现结果图:

部分代码:

%% funm

function y=funm(pop)

Ew=[277.6  238.5  243.4  240.4  238.5  222.2  208.8  205.8  205.7  236.3  265.4  310.7];%风电每个月发出的电量

Es=[31.3  37.8  54.8  60.63  69.93  67.07  65.03  62.02  59.92  43.6  31.47  26.74];%太阳能每个月发出的电量

El=[294.5  266  285  273  294.5  283  295  281  282  294  285  299];%负荷每个月发出的电量

yitac=0.95;%逆变器功率转换效率

delE=(Ew+Es)*yitac-El;%功率缺额(发电量-负荷): ΔE = (E w (k) + E s (k))η c - E L (k)

Eb=zeros(1,12);

Ec=zeros(1,12);

Elps=0;%缺电量

for k=1:12

   if delE(k)>0 %发电发得多

       if k == 1

          [Ebt,Ect]=pro1(delE(k),pop,0,0);%pro1

       else

           [Ebt,Ect]=pro1(delE(k),pop,Eb(k-1),Ec(k-1));

       end

       Eb(k)=Ebt;

       Ec(k)=Ect;

   else

       delE(k)=-1*delE(k);

       if k == 1

           [Ebt,Ect,Elps]=pro2(delE(k),pop,Elps,0,0);%pro2

       else

           [Ebt,Ect,Elps]=pro2(delE(k),pop,Elps,Eb(k-1),Ec(k-1));

       end

       Eb(k)=Ebt;

       Ec(k)=Ect;

   end

end

y=0.288*pop(1)+0.0257*pop(2);

if 0.000384*pop(1) + 3.165*(10^(-5))*pop(2) < max(El)*0.65

   y=y+inf;

end

for k=1:12

 if Eb(k) > 0.7 * delE(k)

     y=y+inf;

 end

end

LPSP=Elps/sum(El);

if LPSP > 0.05

   y=y+inf;

end

LPSP

 

🎉3 文献来源

部分理论来源于网络,如有侵权请联系删除。

[1]杨国华,朱向芬,马玉娟,韩世军,王金梅,王鹏珍.基于改进粒子群算法的混合储能系统容量优化[J].电测与仪表,2015,52(23):1-5+10.

🌈4 Matlab代码及文章讲解

 https://ttaozhi.com/t/p.html?id=ktfB8dorXd

相关文章
|
4天前
|
供应链 算法 调度
排队算法的matlab仿真,带GUI界面
该程序使用MATLAB 2022A版本实现排队算法的仿真,并带有GUI界面。程序支持单队列单服务台、单队列多服务台和多队列多服务台三种排队方式。核心函数`func_mms2`通过模拟到达时间和服务时间,计算阻塞率和利用率。排队论研究系统中顾客和服务台的交互行为,广泛应用于通信网络、生产调度和服务行业等领域,旨在优化系统性能,减少等待时间,提高资源利用率。
|
12天前
|
存储 算法
基于HMM隐马尔可夫模型的金融数据预测算法matlab仿真
本项目基于HMM模型实现金融数据预测,包括模型训练与预测两部分。在MATLAB2022A上运行,通过计算状态转移和观测概率预测未来值,并绘制了预测值、真实值及预测误差的对比图。HMM模型适用于金融市场的时间序列分析,能够有效捕捉隐藏状态及其转换规律,为金融预测提供有力工具。
|
12天前
|
机器学习/深度学习 算法 信息无障碍
基于GoogleNet深度学习网络的手语识别算法matlab仿真
本项目展示了基于GoogleNet的深度学习手语识别算法,使用Matlab2022a实现。通过卷积神经网络(CNN)识别手语手势,如&quot;How are you&quot;、&quot;I am fine&quot;、&quot;I love you&quot;等。核心在于Inception模块,通过多尺度处理和1x1卷积减少计算量,提高效率。项目附带完整代码及操作视频。
|
18天前
|
算法
基于WOA鲸鱼优化的购售电收益与风险评估算法matlab仿真
本研究提出了一种基于鲸鱼优化算法(WOA)的购售电收益与风险评估算法。通过将售电公司购售电收益风险计算公式作为WOA的目标函数,经过迭代优化计算出最优购电策略。实验结果表明,在迭代次数超过10次后,风险价值收益优化值达到1715.1万元的最大值。WOA还确定了中长期市场、现货市场及可再生能源等不同市场的最优购电量,验证了算法的有效性。核心程序使用MATLAB2022a实现,通过多次迭代优化,实现了售电公司收益最大化和风险最小化的目标。
|
18天前
|
算法
通过matlab对比遗传算法优化前后染色体的变化情况
该程序使用MATLAB2022A实现遗传算法优化染色体的过程,通过迭代选择、交叉和变异操作,提高染色体适应度,优化解的质量,同时保持种群多样性,避免局部最优。代码展示了算法的核心流程,包括适应度计算、选择、交叉、变异等步骤,并通过图表直观展示了优化前后染色体的变化情况。
|
15天前
|
机器学习/深度学习 算法 数据安全/隐私保护
基于深度学习网络的宝石类型识别算法matlab仿真
本项目利用GoogLeNet深度学习网络进行宝石类型识别,实验包括收集多类宝石图像数据集并按7:1:2比例划分。使用Matlab2022a实现算法,提供含中文注释的完整代码及操作视频。GoogLeNet通过其独特的Inception模块,结合数据增强、学习率调整和正则化等优化手段,有效提升了宝石识别的准确性和效率。
|
19天前
|
算法
基于WOA算法的SVDD参数寻优matlab仿真
该程序利用鲸鱼优化算法(WOA)对支持向量数据描述(SVDD)模型的参数进行优化,以提高数据分类的准确性。通过MATLAB2022A实现,展示了不同信噪比(SNR)下模型的分类误差。WOA通过模拟鲸鱼捕食行为,动态调整SVDD参数,如惩罚因子C和核函数参数γ,以寻找最优参数组合,增强模型的鲁棒性和泛化能力。
|
25天前
|
机器学习/深度学习 算法 Serverless
基于WOA-SVM的乳腺癌数据分类识别算法matlab仿真,对比BP神经网络和SVM
本项目利用鲸鱼优化算法(WOA)优化支持向量机(SVM)参数,针对乳腺癌早期诊断问题,通过MATLAB 2022a实现。核心代码包括参数初始化、目标函数计算、位置更新等步骤,并附有详细中文注释及操作视频。实验结果显示,WOA-SVM在提高分类精度和泛化能力方面表现出色,为乳腺癌的早期诊断提供了有效的技术支持。
|
21天前
|
算法
基于GA遗传算法的PID控制器参数优化matlab建模与仿真
本项目基于遗传算法(GA)优化PID控制器参数,通过空间状态方程构建控制对象,自定义GA的选择、交叉、变异过程,以提高PID控制性能。与使用通用GA工具箱相比,此方法更灵活、针对性强。MATLAB2022A环境下测试,展示了GA优化前后PID控制效果的显著差异。核心代码实现了遗传算法的迭代优化过程,最终通过适应度函数评估并选择了最优PID参数,显著提升了系统响应速度和稳定性。
|
21天前
|
算法
通过matlab分别对比PSO,反向学习PSO,多策略改进反向学习PSO三种优化算法
本项目使用MATLAB2022A版本,对比分析了PSO、反向学习PSO及多策略改进反向学习PSO三种优化算法的性能,主要通过优化收敛曲线进行直观展示。核心代码实现了标准PSO算法流程,加入反向学习机制及多种改进策略,以提升算法跳出局部最优的能力,增强全局搜索效率。