微電網(wǎng)混合儲(chǔ)能系統(tǒng)容量配置方法分析案例目錄TOC\o"1-3"\h\u1513微電網(wǎng)混合儲(chǔ)能系統(tǒng)容量配置方法分析案例 184871.1混合儲(chǔ)能系統(tǒng)容量配置模型 1135641.2基于人工蜂群（ArtificialBeeColony）算法的混合儲(chǔ)能容量配置方法 3微電網(wǎng)混合儲(chǔ)能系統(tǒng)在實(shí)際的利用過(guò)程當(dāng)中，對(duì)于容量的優(yōu)化配置問(wèn)題是當(dāng)前研究的一個(gè)非常重點(diǎn)的問(wèn)題，因?yàn)樗鼤?huì)對(duì)最終的經(jīng)濟(jì)效益產(chǎn)生重要的影響，在對(duì)容量?jī)?yōu)化模型進(jìn)行求解的過(guò)程中可以發(fā)現(xiàn)是一個(gè)非線性問(wèn)題，在求解時(shí)需要較好的算法才能夠進(jìn)行快速的求解和滿足當(dāng)前需要的精度，為了快速的求得最終的最優(yōu)解，可以從當(dāng)前智能算法的研究情況來(lái)進(jìn)行最終的求解過(guò)程，由于傳統(tǒng)的智能算法在實(shí)際的運(yùn)用過(guò)程當(dāng)中已經(jīng)得到了廣泛的研究，但是這些算法在實(shí)際的利用過(guò)程當(dāng)中還存在著一些局限性，對(duì)于部分非線性的復(fù)雜問(wèn)題，在求解時(shí)具備有一定的局限性，因此通常可以將多種智能算法進(jìn)行結(jié)合來(lái)進(jìn)行。最終算法性能的提升，解決較為復(fù)雜的問(wèn)題。本章在求解的過(guò)程當(dāng)中，根據(jù)上述利用的微電網(wǎng)混合儲(chǔ)能系統(tǒng)，進(jìn)一步的以儲(chǔ)存單位的方式進(jìn)行最終約束條件的建立，并且對(duì)于經(jīng)濟(jì)性問(wèn)題進(jìn)行了約束性的考慮，并建立了最終的經(jīng)濟(jì)效益模型，針對(duì)于利用單一的人工蜂群算法，在進(jìn)行求解的過(guò)程當(dāng)中求解叫為精度低的缺點(diǎn)，并且在搜索速度過(guò)程當(dāng)中也較慢，所以在實(shí)際的風(fēng)蜂搜索過(guò)程當(dāng)中融入了多種搜索的策略來(lái)進(jìn)一步的提高人工蜂群算法的全局收斂性，因此通過(guò)不同的搜索策略實(shí)現(xiàn)了最終優(yōu)勢(shì)的相互補(bǔ)充，形成了一種改進(jìn)的單一人工蜂群算法，并且利用測(cè)試函數(shù)的方式來(lái)進(jìn)行最終人工蜂群算法的驗(yàn)證，從準(zhǔn)確性和有效性的情況，對(duì)于當(dāng)前混合儲(chǔ)存系統(tǒng)進(jìn)行容量的優(yōu)化配置。在求解的過(guò)程當(dāng)中得到了最終混合儲(chǔ)能系統(tǒng)的最優(yōu)配比。1.1混合儲(chǔ)能系統(tǒng)容量配置模型1.1.1優(yōu)化目標(biāo)儲(chǔ)能成本在實(shí)際的微電網(wǎng)建設(shè)過(guò)程當(dāng)中比重較大，并且為了進(jìn)一步的保證微電網(wǎng)運(yùn)行的穩(wěn)定性可以發(fā)現(xiàn)，如果配置的容量過(guò)大，在建設(shè)的過(guò)程當(dāng)中運(yùn)行的成本也增加，而如果建立的儲(chǔ)能系統(tǒng)過(guò)小，雖然在一定程度上可以降低成本，但是并不能夠滿足當(dāng)前電網(wǎng)能夠穩(wěn)定運(yùn)行的目標(biāo)，因此為了進(jìn)一步的進(jìn)行分析和研究，本文建立了以壽命周期成本最小的目標(biāo)，建立了容量?jī)?yōu)化配置的數(shù)學(xué)模型，其中目標(biāo)函數(shù)如3-1所示。(3-1)其中(3-2)(3-3)在研究混合儲(chǔ)能系統(tǒng)的經(jīng)濟(jì)性能時(shí)，可以發(fā)現(xiàn)超級(jí)儲(chǔ)能電容器在實(shí)際的利用過(guò)程當(dāng)中，具備有較好的充放電次數(shù)，并且在充放電次數(shù)方面要求基本超過(guò)了10萬(wàn)次，而微電網(wǎng)系統(tǒng)在運(yùn)行的過(guò)程當(dāng)中，主要的工作年限一般為20年，所以我們通常不需要考慮超級(jí)電容器的維護(hù)成本，而只需要考慮超級(jí)電容器的購(gòu)置成本，但是由于蓄電池具備有較少的循環(huán)使用壽命，基本只有在3000次左右，在微電網(wǎng)的工作連線過(guò)程當(dāng)中，需要對(duì)于超級(jí)儲(chǔ)存電容器和蓄電池進(jìn)行區(qū)別對(duì)待，對(duì)于蓄電池來(lái)說(shuō)要對(duì)其購(gòu)置的成本和維護(hù)成本進(jìn)行研究和利用。1.1.2約束條件微電網(wǎng)系統(tǒng)在實(shí)際的運(yùn)行過(guò)程當(dāng)中，還需要考慮功率的實(shí)際平衡性，因此需要滿足以下的一些條件。(1)儲(chǔ)能系統(tǒng)運(yùn)行的約束條件為了防止在實(shí)際運(yùn)行過(guò)程當(dāng)中，儲(chǔ)能單位出現(xiàn)了過(guò)度放電或者過(guò)度充電的情況，我們可以通過(guò)將每一個(gè)儲(chǔ)能單元的SOC值設(shè)定在一定的范圍之內(nèi)。(3-4)根據(jù)微電網(wǎng)工作的不同模式，需要保證當(dāng)前運(yùn)行符合當(dāng)前電網(wǎng)的相關(guān)需求在滿足可再生能源使用功率和效益的過(guò)程當(dāng)中，也需要提供一定的輸出功率，因此對(duì)于混合儲(chǔ)能系統(tǒng)當(dāng)中每一個(gè)儲(chǔ)能單元的各種要求。(3-5)(3-6)(3-7)(2)負(fù)荷缺電率負(fù)荷確定率通常是指在實(shí)際運(yùn)行過(guò)程當(dāng)中，總的缺乏量和負(fù)荷整體的供應(yīng)能量之間的比值，具體的式子如下所示，在計(jì)算的過(guò)程當(dāng)中如果負(fù)荷確定率越小，那么說(shuō)明了整個(gè)系統(tǒng)在運(yùn)行過(guò)程當(dāng)中可靠程度越高，因此為了保證當(dāng)前電網(wǎng)能夠有序的運(yùn)行，需要通過(guò)計(jì)算負(fù)荷確定率的方式來(lái)進(jìn)行最終系統(tǒng)穩(wěn)定性的評(píng)價(jià)，只有當(dāng)負(fù)荷確定率穩(wěn)定在一定范圍之內(nèi)時(shí)，才能夠保證最終的電網(wǎng)系統(tǒng)在運(yùn)行時(shí)不會(huì)出現(xiàn)較大的波動(dòng)。(3-8)(3-9)(3)能量損失率能量利用率則是根據(jù)當(dāng)前新能源的發(fā)電量和符合的需求量占比的比值來(lái)進(jìn)行反應(yīng)，它能夠反映可再生能源是否能夠被充分的利用，因此為了保證在新能源的利用過(guò)程當(dāng)中，利用率得到提高，可以通過(guò)計(jì)算能量損失率的方式，來(lái)進(jìn)行最終的評(píng)判，具體的式子如下所示。(3-10)(3-11)1.2基于人工蜂群（ArtificialBeeColony）算法的混合儲(chǔ)能容量配置方法1.2.1人工蜂群算法工作原理蜜蜂在尋找食物的過(guò)程當(dāng)中具備有非常明顯的分工特點(diǎn)，并且蜜蜂在尋找食物時(shí)還具備了信息共享的機(jī)制，因此人工蜂群的算法則是模擬當(dāng)前蜜蜂尋找食物源的過(guò)程，通過(guò)風(fēng)蜂當(dāng)中不同的工作特性來(lái)將蜂群進(jìn)行劃分，一般的風(fēng)蜂通?？梢詣澐譃槿齻€(gè)種類及偵查蜂，跟隨蜂和引領(lǐng)蜂這三種其中引領(lǐng)蜂的主要功能是在食物源的相鄰區(qū)域內(nèi)進(jìn)行尋找，并且將這些食物源的信息進(jìn)行共享，將當(dāng)前的尋找信息傳遞到跟隨蜂，而跟隨蜂根據(jù)貪婪的法則來(lái)進(jìn)行最終食物的挑選，并且進(jìn)一步的開(kāi)發(fā)出新的食物源，而跟隨蜂在開(kāi)采之后并且達(dá)到相應(yīng)的時(shí)間之后，就可以根據(jù)當(dāng)前峰提供給我們的各種情況來(lái)進(jìn)行類型的轉(zhuǎn)變，是否轉(zhuǎn)變?yōu)閭刹榉鋪?lái)進(jìn)一步的對(duì)食物來(lái)源進(jìn)行更換，并且在研究其優(yōu)化問(wèn)題的函數(shù)時(shí)和求解過(guò)程當(dāng)中，可以從食物源提供情況以及目標(biāo)函數(shù)的建立情況和最大適應(yīng)度值的大小來(lái)進(jìn)行最終的目標(biāo)函數(shù)研究和確立，通常只有滿足最大適應(yīng)度值提高的情況下，才能夠保證食物源的優(yōu)質(zhì)情況。人工蜂群算法則是通過(guò)模擬當(dāng)前蜂群尋找食物過(guò)程當(dāng)中的行為，提出來(lái)一種非常重要的智能算法，在人工蜂群算法的研究過(guò)程中可以發(fā)現(xiàn)，主要是利用誘導(dǎo)引領(lǐng)蜂在實(shí)物原領(lǐng)域進(jìn)行搜尋的方式，來(lái)進(jìn)行最終的食物源概率搜尋，通過(guò)不同的行為進(jìn)行最終的循環(huán)確立，以此求出，最終的優(yōu)化問(wèn)題最優(yōu)解。跟隨蜂選中食物源i的概率表示為：(3-12)搜索的新食物源位置可表示為Vi=(vi1,vi2,……,viD)，搜索公式為(3-13)此時(shí)新的食物源的位置可表示為(3-14)因此人工蜂群算法在實(shí)際的求解過(guò)程當(dāng)中，具體的步驟如下所示。Step1：首先對(duì)初始的參數(shù)進(jìn)行初始化的操作，并且產(chǎn)生隨機(jī)的食物源，通過(guò)食物源的方式計(jì)算出對(duì)應(yīng)的適應(yīng)度值大小。Step2：此時(shí)跟隨蜂進(jìn)一步的搜索當(dāng)前食物源的位置以及領(lǐng)域的大小，通過(guò)搜索的方式產(chǎn)生新的食物源位置，進(jìn)一步的對(duì)適應(yīng)度值計(jì)算，在計(jì)算適應(yīng)度值的過(guò)程當(dāng)中，保留更好的食物源位置。Step3：此時(shí)選中不同的食物源概率，并且作為主要的判斷依據(jù)，跟隨蜂會(huì)選擇當(dāng)前的食物源，并且進(jìn)一步的求出位置的鄰域，根據(jù)公式來(lái)得到最終新的食物源位置，此時(shí)計(jì)算出最終的適應(yīng)度大小，保留更好的食物源位置。Step4：進(jìn)一步的對(duì)食物源的樹(shù)木進(jìn)行判斷，如果此時(shí)的食物源根據(jù)公式3-13進(jìn)一步的對(duì)新的食物源進(jìn)行尋找兒，如果沒(méi)有出現(xiàn)放棄食物源的情況，進(jìn)入到第5步。Step5：對(duì)最終的迭代次數(shù)進(jìn)行分析和判斷，如果此時(shí)達(dá)到了最大的迭代次數(shù)，將會(huì)將此時(shí)的最優(yōu)食物源進(jìn)行輸出。1.2.2人工蜂群算法的改進(jìn)根據(jù)上文的式子3-13可以發(fā)現(xiàn)跟隨蜂和引領(lǐng)蜂，兩者之間可以在一維的鄰域之內(nèi)進(jìn)行搜索，在實(shí)際的搜索過(guò)程當(dāng)中可能會(huì)出現(xiàn)效率較低的情況，因此為了進(jìn)一步的提高人工搜尋算法的效率，文獻(xiàn)提出了通過(guò)恒定參數(shù)的方式來(lái)調(diào)整最終搜索的維度數(shù)，當(dāng)蜂群在進(jìn)行搜索工作的過(guò)程當(dāng)中，產(chǎn)生隨機(jī)變量的方式，來(lái)進(jìn)行最終恒定參數(shù)與隨機(jī)變量之間的比較，通過(guò)比較的方式來(lái)進(jìn)行領(lǐng)域的搜尋，如果隨機(jī)數(shù)超過(guò)了最終的恒定參數(shù)，蜂群將會(huì)搜索該維度的領(lǐng)域，進(jìn)一步的通過(guò)隨機(jī)數(shù)來(lái)進(jìn)行，最終恒定參數(shù)的測(cè)量。因此從上述的分析可以發(fā)現(xiàn)，如果設(shè)置的恒定參數(shù)值越大，那么蜂群在實(shí)際搜索過(guò)程當(dāng)中維度數(shù)也越高，這樣雖然可以提高算法局部的搜索能力，并且加快算法的收斂情況，但是并沒(méi)有較好的全局搜索能力，而如果設(shè)置的恒定參數(shù)值越小，那么說(shuō)明此時(shí)算法雖然具備有較強(qiáng)的搜索的能力，但是在收斂方面卻沒(méi)有較好的效果，因此本文充分的借鑒，這種思想引入了動(dòng)態(tài)參數(shù)，調(diào)整來(lái)進(jìn)行了最終的算法設(shè)計(jì)，在收斂初期保證了全局的收斂能力，而在后期提高了局部收斂的能力，具體的取值式子，如下所示。(3-15)根據(jù)上述的公式，3-13由于新的食物源，在實(shí)際產(chǎn)生的過(guò)程當(dāng)中，只是在食物源附近，因此在實(shí)際的運(yùn)行過(guò)程當(dāng)中會(huì)降低算法的多樣性和有效性，降低了局部收斂的能力，因此在進(jìn)行循序漸進(jìn)的過(guò)程當(dāng)中，可能出現(xiàn)收斂緩慢的情況，因此本文在對(duì)公式3-13進(jìn)行分析的過(guò)程當(dāng)中，提出了新的算法搜索策略，如下面4個(gè)式子所示。(3-16)(3-17)(3-18)(3-19)上述的4種四策略，同傳統(tǒng)的人工蜂群算法相比具備有更好的優(yōu)點(diǎn)，但是在運(yùn)營(yíng)過(guò)程當(dāng)中也存在著一些缺點(diǎn)，由于上述的4種搜索策略，在運(yùn)行的過(guò)程當(dāng)中與人工蜂群算法的運(yùn)行基本上是一致的，僅僅在性能方面有著一些不同，但是可以通過(guò)研究它們的共性和差異性，取長(zhǎng)補(bǔ)短來(lái)實(shí)現(xiàn)最終的協(xié)同進(jìn)化。本文通過(guò)對(duì)5種操作策略進(jìn)行深入的分析和研究，利用取長(zhǎng)補(bǔ)短的方式，來(lái)對(duì)傳統(tǒng)的人工蜂群算法進(jìn)行改進(jìn)，在算法的思想當(dāng)中引入了協(xié)同進(jìn)化思想主要的搜索策略，包含了5種搜索的策略方案并且蜂群，在進(jìn)行搜索的過(guò)程當(dāng)中，需要從當(dāng)前的搜索策略局當(dāng)中選擇一種策略作為尋找食物源的方式，因此在進(jìn)行搜索的過(guò)程當(dāng)中，通過(guò)5種策略來(lái)形成新型的搜索策略，如下所示。(3-20)流程圖如圖1.1所示圖1.1改進(jìn)后的ABC算法尋求最優(yōu)解流程圖改進(jìn)后的ABC算法具體的求解步驟如下所示。Step1：首先對(duì)設(shè)置的初始參數(shù)進(jìn)行初始化，并且根據(jù)引領(lǐng)蜂的數(shù)量來(lái)產(chǎn)生隨機(jī)的初始解。Step2：根據(jù)設(shè)置的初始點(diǎn)計(jì)算出當(dāng)前的適應(yīng)度值大小，并且根據(jù)適應(yīng)度大小來(lái)進(jìn)行選擇。Step3：通過(guò)對(duì)所有的引領(lǐng)蜂進(jìn)行計(jì)算，根據(jù)式子3-15和式子3-20來(lái)對(duì)新的食物源的適應(yīng)度值進(jìn)行計(jì)算，對(duì)于適應(yīng)度值較高的食物源作為新的食物源。Step4：通過(guò)上述計(jì)算的新食物源，進(jìn)一步的選擇目標(biāo)函數(shù)值，并且通過(guò)式子3-12進(jìn)一步的對(duì)選取的概率進(jìn)行分析。Step5：根據(jù)式子3-15和式子3-20進(jìn)一步的尋找出新的食物源冤種目標(biāo)函數(shù)來(lái)進(jìn)行，最終的適應(yīng)度值的計(jì)算，并且選擇適應(yīng)度值較高的食物源作為新的食物源。Step6：通過(guò)多次迭代可以發(fā)現(xiàn)引領(lǐng)蜂對(duì)應(yīng)的食物源不會(huì)發(fā)生變化，并且引領(lǐng)蜂將會(huì)轉(zhuǎn)化為偵查蜂，通過(guò)式子3-14來(lái)生成新的食物源。Step7：此時(shí)將全局的最優(yōu)解進(jìn)行記錄，并且轉(zhuǎn)入步驟三直到最終算法的迭代，數(shù)目滿足最大才停止。1.2.3算法測(cè)試為了進(jìn)一步的測(cè)試當(dāng)前改進(jìn)的人工蜂群算法，本文主要利用的測(cè)試函數(shù)，對(duì)于傳統(tǒng)的封建法和當(dāng)前改進(jìn)的分析算法進(jìn)行了比較，在進(jìn)行比較過(guò)程當(dāng)中，主要應(yīng)用了以下的4個(gè)函數(shù)。并且在測(cè)試的過(guò)程當(dāng)中具體的值如下所示。表1.1測(cè)試函數(shù)在進(jìn)行實(shí)驗(yàn)的過(guò)程當(dāng)中，根據(jù)本文設(shè)立的目標(biāo)函數(shù)以及最大的評(píng)價(jià)目標(biāo)，對(duì)三種算法分別進(jìn)行模擬和仿真仿真的次數(shù)為30次，并得到了最終的4種最優(yōu)之結(jié)果，通過(guò)數(shù)值實(shí)驗(yàn)完成了最終的算法，具體的仿真結(jié)果如下表所示。表1.2D=60時(shí)三種算法的優(yōu)化性能比較表1.3D=100時(shí)三種算法的優(yōu)化性能比較從上述表格的數(shù)值分析可以發(fā)現(xiàn)，相對(duì)于單峰函數(shù)的仿真過(guò)程當(dāng)中，三種算法在求解的過(guò)程當(dāng)中都沒(méi)有求出最優(yōu)的理論值，但是在求解時(shí)，精度和穩(wěn)定性傳統(tǒng)的人工蜂群算法與常用的GABC算法相比本文提出的改進(jìn)人工蜂群算法效果更好，而在其他函數(shù)的仿真過(guò)程當(dāng)中改進(jìn)的人工蜂群算法，雖然求解效果不佳，沒(méi)有求到最終的理論最優(yōu)解，但是本文在傳統(tǒng)的人工蜂群算法之上，引入了動(dòng)態(tài)參數(shù)，來(lái)調(diào)整了最終的搜索維度，在實(shí)際的運(yùn)營(yíng)過(guò)程當(dāng)中，如果搜索的維度越高，將會(huì)導(dǎo)致函數(shù)不會(huì)出現(xiàn)收斂的情況，因此本文所提出的改進(jìn)人工蜂群算法，通過(guò)引入動(dòng)態(tài)參數(shù)的方式，進(jìn)一步的提高了算法跳出局部自由節(jié)的能力，進(jìn)一步的改善了在求解過(guò)程當(dāng)中的效果。在4個(gè)函數(shù)的尋求過(guò)程當(dāng)中，具體的收斂曲線如下圖所示，從圖中可以發(fā)現(xiàn)，改進(jìn)的人工空間算法在求解前兩個(gè)函數(shù)時(shí)，整體的收斂曲線近似一條線性遞減的直線，因此相對(duì)于另外幾種算法相比，收斂的速度更快，并且精度更高，本次算法在設(shè)計(jì)的過(guò)程當(dāng)中具備有更強(qiáng)的跳出局部最優(yōu)解的能力，進(jìn)一步的提高了算法使用的效果。圖1.2Sphere函數(shù)的收斂曲線圖1.3Schwefel2.21函數(shù)收斂曲線圖1.4Rastrigin函數(shù)收斂曲線圖1.5Schaffer函數(shù)收斂曲線1.3風(fēng)光儲(chǔ)混合儲(chǔ)能容量配置算例分析1.1.1優(yōu)化配置結(jié)果及比較分析根據(jù)全文分析的資料和查找的文獻(xiàn)，通過(guò)對(duì)于24小時(shí)之內(nèi)的光照強(qiáng)度的有關(guān)數(shù)據(jù)，利用微電網(wǎng)作為主要的研究目標(biāo)，建立了最終的容量?jī)?yōu)化配置模型，下述的表格展示了具體的參數(shù)。表1.4混合儲(chǔ)能系統(tǒng)的主要參數(shù)(1)不含儲(chǔ)能系統(tǒng)的微電網(wǎng)風(fēng)光混合發(fā)電系統(tǒng)通過(guò)不同的儲(chǔ)能裝置以及混合式的發(fā)電系統(tǒng)，其最終的指標(biāo)結(jié)果如表所示。表1.5未配置儲(chǔ)能裝置時(shí)的fL和fel指標(biāo)指標(biāo)值fL0.3547fel0.2367(2)配置混合儲(chǔ)能裝置的孤立微電網(wǎng)風(fēng)光發(fā)電系統(tǒng)通過(guò)上述建立的優(yōu)化模型，利用傳統(tǒng)的人工空間算法和改性的人工空間算法，以及接BC算法對(duì)當(dāng)前的風(fēng)光混合微，電網(wǎng)進(jìn)行最終的儲(chǔ)能優(yōu)化配置問(wèn)題的求解，求解的過(guò)程如下圖所示，并且最終得出的優(yōu)化配置容量，結(jié)果如表3-6所示。圖1.6傳統(tǒng)ABC算法求解結(jié)果圖1.7GABC算法求解結(jié)果圖1.8改進(jìn)ABC算法求解結(jié)果從上述表格的數(shù)據(jù)可以發(fā)現(xiàn)，通過(guò)三種算法的求解，不僅僅可以保證了混合儲(chǔ)能裝置供電系統(tǒng)可靠性