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
|
9天前
|
算法 测试技术 开发者
在Python开发中,性能优化和代码审查至关重要。性能优化通过改进代码结构和算法提高程序运行速度,减少资源消耗
在Python开发中,性能优化和代码审查至关重要。性能优化通过改进代码结构和算法提高程序运行速度,减少资源消耗;代码审查通过检查源代码发现潜在问题,提高代码质量和团队协作效率。本文介绍了一些实用的技巧和工具,帮助开发者提升开发效率。
12 3
|
7天前
|
分布式计算 Java 开发工具
阿里云MaxCompute-XGBoost on Spark 极限梯度提升算法的分布式训练与模型持久化oss的实现与代码浅析
本文介绍了XGBoost在MaxCompute+OSS架构下模型持久化遇到的问题及其解决方案。首先简要介绍了XGBoost的特点和应用场景,随后详细描述了客户在将XGBoost on Spark任务从HDFS迁移到OSS时遇到的异常情况。通过分析异常堆栈和源代码,发现使用的`nativeBooster.saveModel`方法不支持OSS路径,而使用`write.overwrite().save`方法则能成功保存模型。最后提供了完整的Scala代码示例、Maven配置和提交命令,帮助用户顺利迁移模型存储路径。
|
21天前
|
存储 缓存 算法
如何通过优化算法和代码结构来提升易语言程序的执行效率?
如何通过优化算法和代码结构来提升易语言程序的执行效率?
|
21天前
|
搜索推荐
插入排序算法的讲解和代码
【10月更文挑战第12天】插入排序是一种基础的排序算法,理解和掌握它对于学习其他排序算法以及数据结构都具有重要意义。你可以通过实际操作和分析,进一步深入了解插入排序的特点和应用场景,以便在实际编程中更好地运用它。
|
28天前
|
算法
基于粒子群算法的分布式电源配电网重构优化matlab仿真
本研究利用粒子群算法(PSO)优化分布式电源配电网重构,通过Matlab仿真验证优化效果,对比重构前后的节点电压、网损、负荷均衡度、电压偏离及线路传输功率,并记录开关状态变化。PSO算法通过迭代更新粒子位置寻找最优解,旨在最小化网络损耗并提升供电可靠性。仿真结果显示优化后各项指标均有显著改善。
|
1月前
|
算法 数据挖掘
基于粒子群优化算法的图象聚类识别matlab仿真
该程序基于粒子群优化(PSO)算法实现图像聚类识别,能识别0~9的数字图片。在MATLAB2017B环境下运行,通过特征提取、PSO优化找到最佳聚类中心,提高识别准确性。PSO模拟鸟群捕食行为,通过粒子间的协作优化搜索过程。程序包括图片读取、特征提取、聚类分析及结果展示等步骤,实现了高效的图像识别。
|
13天前
|
缓存 分布式计算 监控
优化算法和代码需要注意什么
【10月更文挑战第20天】优化算法和代码需要注意什么
15 0
|
23天前
|
算法 决策智能
基于GA-PSO遗传粒子群混合优化算法的TSP问题求解matlab仿真
本文介绍了基于GA-PSO遗传粒子群混合优化算法解决旅行商问题(TSP)的方法。TSP旨在寻找访问一系列城市并返回起点的最短路径,属于NP难问题。文中详细阐述了遗传算法(GA)和粒子群优化算法(PSO)的基本原理及其在TSP中的应用,展示了如何通过编码、选择、交叉、变异及速度和位置更新等操作优化路径。算法在MATLAB2022a上实现,实验结果表明该方法能有效提高求解效率和解的质量。
|
1月前
|
算法 Java 测试技术
数据结构 —— Java自定义代码实现顺序表,包含测试用例以及ArrayList的使用以及相关算法题
文章详细介绍了如何用Java自定义实现一个顺序表类,包括插入、删除、获取数据元素、求数据个数等功能,并对顺序表进行了测试,最后还提及了Java中自带的顺序表实现类ArrayList。
17 0
|
2月前
|
机器学习/深度学习 算法 数据安全/隐私保护
基于PSO粒子群优化的GroupCNN分组卷积网络时间序列预测算法matlab仿真
本项目展示了一种结合粒子群优化(PSO)与分组卷积神经网络(GroupCNN)的时间序列预测算法。该算法通过PSO寻找最优网络结构和超参数,提高预测准确性与效率。软件基于MATLAB 2022a,提供完整代码及详细中文注释,并附带操作步骤视频。分组卷积有效降低了计算成本,而PSO则智能调整网络参数。此方法特别适用于金融市场预测和天气预报等场景。