【技術實現步驟摘要】
本專利技術屬于微電網優化調度，具體涉及基于改進mojaya算法的微電網優化調度方法。
技術介紹
1、微電網優化調度為能量管理需求的重要研究內容，一般以實現運行成本、排放成本以及停電成本最小化為目標，在滿足各類約束條件的情況下，最大限度提高可再生能源利用率以及微電網運行經濟性。微電網的優化調度不僅僅需要考慮發電成本，還需要考慮分布式電源組合的整體環境收益，因此使用調度優化對于提高用電效率和降低用電成本是十分必要的。在優化調度模型與策略方面，隨著微電網技術的不斷普及和應用，如何使微電網的經濟、技術、環境等效益實現最大化已經成為了一個極其重要的研究課題。目前，在研究微電網的優化調度過程中，主要使用智能優化算法來對模型進行求解。智能優化算法包括進化算法、仿自然優化算法、仿植物生長算法等群體智能優化算法，這些群體智能算法在微電網優化調度過程中表現較好，但在實際對微電網調度模型的求解中，大部分學者使用標準粒子群算法、標準mojaya算法和遺傳算法及其改進算法。這些算法通常只能解決單目標問題，難以解決多個目標的總和優化問題，尤其是同時考慮微電網經濟性、環保性、供電安全性、優化配置等問題時，單目標算法難以求得最優值，并且全局搜索能力較弱，容易陷入局部最優。因此，針對為提高微電網電力系統優化調度的能力和提高用電效率，需要專利技術一種新的優化調度方法，進而提高微電網優化調度的尋優精度，避免陷入局部最優，提高用電效率，降低用電成本。
技術實現思路
1、本專利技術的目的是提供基于改進mojaya算法的微電
2、本專利技術所采用的技術方案是，基于改進mojaya算法的微電網優化調度方法，具體按照以下步驟實施：
3、步驟1、設置微電網目標函數和約束條件，初始化種群：生成初始種群和空archive集。
4、步驟2、合并初始種群和空archive集并計算合并后集合中所有個體的總適應度，總適應度f(i)由原始適應度r(i)和擁擠密度d(i)共同組成。
5、步驟3、更新archive集；
6、步驟4、通過總適應度f(i)識別最優個體和最差個體，通過metropolis-hastings(mh)抽樣方法進行種群個體更新；
7、步驟5、迭代循環，最后輸出archive集，archive集中個體代表微電網優化調度后的各個微電源發電出力方案。
8、本專利技術的特點還在于，
9、步驟1具體按照以下步驟實施：
10、首先，設定微電網的優化目標，包括經濟目標和環境目標；設定相關的約束條件，包括微電源出力約束、微電網功率平衡約束和蓄電池運行約束，然后，在約束條件的上下限內隨機產生初始種群集p0，同時創建一個空集合archive集設置迭代次數t＝0，初始種群集p0和archive集內的所有個體都代表微電網各個微電源發電出力方案。
11、步驟2具體按照以下步驟實施：
12、步驟2.1、合并種群pt和archive集并為合并后集合中的所有個體分配原始適應度，原始適應度計算程序如下：s(i)表示個體i在種群和archive集中被其他個體支配的數量，s(i)越大，說明個體i被更多的其他個體支配，因此它在適應度分配中被認為是較差的解，相反，如果s(i)較小，說明個體i是一個較好的解，因為它被較少的其他個體支配，s(i)由式(2-1)確定，基于s(i)，個體i的原始適應度r(i)由式(2-2)確定：
13、
14、
15、|·|表示集合的基數，即集合中元素的數量，pt是當前種群，是當前archive集，用于保存非支配個體，表示個體j支配個體i；
16、步驟2.2、為合并后集合中的所有個體分配擁擠密度，擁擠密度計算如下：選擁擠密度計算每個個體到archive集和種群中所有個體的距離，擁擠密度d(i)表達式如式(2-3)所示：
17、
18、式中，表示個體i到其在目標空間中第k個最近鄰居的距離，n和分別為初始種群集個數和archive集個數，在d(i)的表達式分母中加2，以確保該表達式包含在0和1之間；
19、步驟2.3、合并后集合中的所有個體的總適應度由原始適應度r(i)和擁擠密度d(i)之和組成，公式如下：
20、f(i)＝r(i)+d(i)???????????????????(2-4)
21、f(i)為個體i的總適應度，r(i)為步驟2.1的原始適應度，d(i)為步驟2.2的擁擠密度。
22、步驟3具體按照以下步驟實施：
23、將pt和中所有非支配個體(總適應度f(i)＜1)復制到下一代archive集中，如果的大小超過則通過比較個體間的密度信息進行截斷操作，越小的個體越會被優先剔除，直到archive集合的大小為如果的大小小于則從pt和中選擇適應度f(i)≥1的個體補充到中，直到archive集合的大小為利用總適應度和密度信息更新一個有效的archive集，確保archive集合中的個體既具多樣性又代表優質解。
24、步驟4具體按照以下步驟實施：
25、步驟4.1、基于式(2-4)計算種群pt和archive集中的每個個體的總適應度，并排序，總適應度值最小的為最優解，反之為最差解；選出最優解和最差解。
26、步驟4.2、對種群pt中的個體進行mh抽樣，即產生一個[0,1]之間的隨機數r，如果r≤λ，則執行步驟4.3操作采用第一種更新方式，否則轉到步驟4.4；
27、λ＝d(i)????????????????????????(4-1)
28、d(i)為步驟2.2中的擁擠密度；
29、步驟4.3、根據式(4-2)以黃金正弦的方式對種群進行位置更新：
30、xnew(i)＝xold(i)|sin(r1)|+r2sin(r1)|x1·xbest(i)-x2·xold(i)|???????(4-2)
31、其中，r1∈[0,2π]和r2為隨機數，r1決定下一次迭代中個體的移動距離，r2∈[0,π]，r2決定下一次迭代第i個個體的位置更新方向，r2∈[0,π]；x1和x2是通過引入黃金分割數得到的系數，黃金分割數是一個定義為的無理數，記為τ，x1＝aτ+b(1-τ)，x2＝a(1-τ)+bτ，a和b初始值設置為-π和π，隨后a和b隨著目標值的變化而變化，x1和x2也隨之更新，xnew為根據步驟4.1得到的最優解和最差解生成的新的優化解，xbest、xworst分別表示最優解和最差解，xold表示優化前的解；
32、步驟4.4、根據式(4-3)以mojaya的方式對種群進行位置更新：
33、xnew(i)＝xold(i)+r1·(xbest(i)-|xold(i)|)-r2·(xworst(i)-|xold(i)|)?????(4-3本文檔來自技高網...
【技術保護點】
1.基于改進MOJAYA算法的微電網優化調度方法，其特征在于，具體按照以下步驟實施：
2.根據權利要求1所述的基于改進MOJAYA算法的微電網優化調度方法，其特征在于，所述步驟1具體按照以下步驟實施：
3.根據權利要求2所述的基于改進MOJAYA算法的微電網優化調度方法，其特征在于，所述步驟2具體按照以下步驟實施：
4.根據權利要求3所述的基于改進MOJAYA算法的微電網優化調度方法，其特征在于，所述步驟3具體按照以下步驟實施：
5.根據權利要求4所述的基于改進MOJAYA算法的微電網優化調度方法，其特征在于，所述步驟4具體按照以下步驟實施：
6.根據權利要求5所述的基于改進MOJAYA算法的微電網優化調度方法，其特征在于，所述步驟4.2具體按照以下步驟實施：
7.根據權利要求6所述的基于改進MOJAYA算法的微電網優化調度方法，其特征在于，所述步驟4.3對種群進行位置更新具體如下：
8.根據權利要求7所述的基于改進MOJAYA算法的微電網優化調度方法，其特征在于，所述步驟5具體按照以下步驟實施：
...【技術特征摘要】
1.基于改進mojaya算法的微電網優化調度方法，其特征在于，具體按照以下步驟實施：
2.根據權利要求1所述的基于改進mojaya算法的微電網優化調度方法，其特征在于，所述步驟1具體按照以下步驟實施：
3.根據權利要求2所述的基于改進mojaya算法的微電網優化調度方法，其特征在于，所述步驟2具體按照以下步驟實施：
4.根據權利要求3所述的基于改進mojaya算法的微電網優化調度方法，其特征在于，所述步驟3具體按照以下步驟實施：
5.根據權利要求...
【專利技術屬性】
技術研發人員：張新雨，楊光，肖祎超，弋英民，楊悅，季瑞瑞，
申請(專利權)人：西安理工大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。