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
|
3月前
|
算法 安全 BI
基于粒子群算法的多码头连续泊位分配优化研究(Matlab代码实现)
基于粒子群算法的多码头连续泊位分配优化研究(Matlab代码实现)
172 8
|
3月前
|
机器学习/深度学习 并行计算 算法
基于二进制粒子群优化(BPSO)最佳PMU位置(OPP)配置研究(Matlab代码实现)
基于二进制粒子群优化(BPSO)最佳PMU位置(OPP)配置研究(Matlab代码实现)
102 3
|
3月前
|
机器学习/深度学习 运维 算法
【储能选址定容】基于多目标粒子群算法的配电网储能选址定容(Matlab代码实现)
【储能选址定容】基于多目标粒子群算法的配电网储能选址定容(Matlab代码实现)
244 4
|
3月前
|
存储 运维 安全
计及调度经济性的光热电站储热容量配置方法【IEEE30节点】(Matlab代码实现)
计及调度经济性的光热电站储热容量配置方法【IEEE30节点】(Matlab代码实现)
|
3月前
|
机器学习/深度学习 边缘计算 人工智能
粒子群算法模型深度解析与实战应用
蒋星熠Jaxonic是一位深耕智能优化算法领域多年的技术探索者,专注于粒子群优化(PSO)算法的研究与应用。他深入剖析了PSO的数学模型、核心公式及实现方法,并通过大量实践验证了其在神经网络优化、工程设计等复杂问题上的卓越性能。本文全面展示了PSO的理论基础、改进策略与前沿发展方向,为读者提供了一份详尽的技术指南。
粒子群算法模型深度解析与实战应用
|
3月前
|
机器学习/深度学习 运维 算法
基于粒子群优化算法的配电网光伏储能双层优化配置模型[IEEE33节点](选址定容)(Matlab代码实现)
基于粒子群优化算法的配电网光伏储能双层优化配置模型[IEEE33节点](选址定容)(Matlab代码实现)
229 0
|
3月前
|
存储 边缘计算 算法
【太阳能学报EI复现】基于粒子群优化算法的风-水电联合优化运行分析(Matlab代码实现)
【太阳能学报EI复现】基于粒子群优化算法的风-水电联合优化运行分析(Matlab代码实现)
|
3月前
|
数据采集 人工智能 算法
【有功-无功协调优化】基于改进多目标粒子群优化算法(小生境粒子群算法)的配电网有功-无功协调优化研究(Matlab代码实现)
【有功-无功协调优化】基于改进多目标粒子群优化算法(小生境粒子群算法)的配电网有功-无功协调优化研究(Matlab代码实现)
|
3月前
|
传感器 数据采集 资源调度
【锂离子电池容量估算】电池单元总容量的递归近似加权总最小二乘估计(Matlab代码实现)
【锂离子电池容量估算】电池单元总容量的递归近似加权总最小二乘估计(Matlab代码实现)
|
2月前
|
机器学习/深度学习 算法 机器人
【水下图像增强融合算法】基于融合的水下图像与视频增强研究(Matlab代码实现)
【水下图像增强融合算法】基于融合的水下图像与视频增强研究(Matlab代码实现)
261 0