基于多目标粒子群算法的配电网储能选址定容(含MATLAB程序)

简介: 基于多目标粒子群算法的配电网储能选址定容(含MATLAB程序)

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

程序下载方式可私信或评论方式获取!

相关文章
|
1天前
|
算法 数据安全/隐私保护 计算机视觉
基于FPGA的图像双线性插值算法verilog实现,包括tb测试文件和MATLAB辅助验证
本项目展示了256×256图像通过双线性插值放大至512×512的效果,无水印展示。使用Matlab 2022a和Vivado 2019.2开发,提供完整代码及详细中文注释、操作视频。核心程序实现图像缩放,并在Matlab中验证效果。双线性插值算法通过FPGA高效实现图像缩放,确保质量。
|
1月前
|
算法 数据安全/隐私保护 计算机视觉
基于Retinex算法的图像去雾matlab仿真
本项目展示了基于Retinex算法的图像去雾技术。完整程序运行效果无水印,使用Matlab2022a开发。核心代码包含详细中文注释和操作步骤视频。Retinex理论由Edwin Land提出,旨在分离图像的光照和反射分量,增强图像对比度、颜色和细节,尤其在雾天条件下表现优异,有效解决图像去雾问题。
|
1月前
|
算法 数据可视化 安全
基于DWA优化算法的机器人路径规划matlab仿真
本项目基于DWA优化算法实现机器人路径规划的MATLAB仿真,适用于动态环境下的自主导航。使用MATLAB2022A版本运行,展示路径规划和预测结果。核心代码通过散点图和轨迹图可视化路径点及预测路径。DWA算法通过定义速度空间、采样候选动作并评估其优劣(目标方向性、障碍物距离、速度一致性),实时调整机器人运动参数,确保安全避障并接近目标。
146 68
|
1月前
|
算法 数据安全/隐私保护
室内障碍物射线追踪算法matlab模拟仿真
### 简介 本项目展示了室内障碍物射线追踪算法在无线通信中的应用。通过Matlab 2022a实现,包含完整程序运行效果(无水印),支持增加发射点和室内墙壁设置。核心代码配有详细中文注释及操作视频。该算法基于几何光学原理,模拟信号在复杂室内环境中的传播路径与强度,涵盖场景建模、射线发射、传播及接收点场强计算等步骤,为无线网络规划提供重要依据。
|
2天前
|
传感器 算法 物联网
基于粒子群算法的网络最优节点部署优化matlab仿真
本项目基于粒子群优化(PSO)算法,实现WSN网络节点的最优部署,以最大化节点覆盖范围。使用MATLAB2022A进行开发与测试,展示了优化后的节点分布及其覆盖范围。核心代码通过定义目标函数和约束条件,利用PSO算法迭代搜索最佳节点位置,并绘制优化结果图。PSO算法灵感源于鸟群觅食行为,适用于连续和离散空间的优化问题,在通信网络、物联网等领域有广泛应用。该算法通过模拟粒子群体智慧,高效逼近最优解,提升网络性能。
|
2天前
|
机器学习/深度学习 数据采集 算法
基于GWO灰狼优化的CNN-GRU-SAM网络时间序列回归预测算法matlab仿真
本项目基于MATLAB2022a,展示了时间序列预测算法的运行效果(无水印)。核心程序包含详细中文注释和操作视频。算法采用CNN-GRU-SAM网络,结合灰狼优化(GWO),通过卷积层提取局部特征、GRU处理长期依赖、自注意力机制捕捉全局特征,最终实现复杂非线性时间序列的高效预测。
|
17小时前
|
算法
基于SOA海鸥优化算法的三维曲面最高点搜索matlab仿真
本程序基于海鸥优化算法(SOA)进行三维曲面最高点搜索的MATLAB仿真,输出收敛曲线和搜索结果。使用MATLAB2022A版本运行,核心代码实现种群初始化、适应度计算、交叉变异等操作。SOA模拟海鸥觅食行为,通过搜索飞行、跟随飞行和掠食飞行三种策略高效探索解空间,找到全局最优解。
|
16小时前
|
算法 数据可视化 数据安全/隐私保护
一级倒立摆平衡控制系统MATLAB仿真,可显示倒立摆平衡动画,对比极点配置,线性二次型,PID,PI及PD五种算法
本课题基于MATLAB对一级倒立摆控制系统进行升级仿真,增加了PI、PD控制器,并对比了极点配置、线性二次型、PID、PI及PD五种算法的控制效果。通过GUI界面显示倒立摆动画和控制输出曲线,展示了不同控制器在偏转角和小车位移变化上的性能差异。理论部分介绍了倒立摆系统的力学模型,包括小车和杆的动力学方程。核心程序实现了不同控制算法的选择与仿真结果的可视化。
24 13
|
1月前
|
移动开发 算法 计算机视觉
基于分块贝叶斯非局部均值优化(OBNLM)的图像去噪算法matlab仿真
本项目基于分块贝叶斯非局部均值优化(OBNLM)算法实现图像去噪,使用MATLAB2022A进行仿真。通过调整块大小和窗口大小等参数,研究其对去噪效果的影响。OBNLM结合了经典NLM算法与贝叶斯统计理论,利用块匹配和概率模型优化相似块的加权融合,提高去噪效率和保真度。实验展示了不同参数设置下的去噪结果,验证了算法的有效性。
|
1月前
|
算法 决策智能
基于SA模拟退火优化算法的TSP问题求解matlab仿真,并对比ACO蚁群优化算法
本项目基于MATLAB2022A,使用模拟退火(SA)和蚁群优化(ACO)算法求解旅行商问题(TSP),对比两者的仿真时间、收敛曲线及最短路径长度。SA源于金属退火过程,允许暂时接受较差解以跳出局部最优;ACO模仿蚂蚁信息素机制,通过正反馈发现最优路径。结果显示SA全局探索能力强,ACO在路径优化类问题中表现优异。

热门文章

最新文章