基於改進的自適應遺傳算法的獨立微網配置優化方法
2023-07-13 13:13:21
基於改進的自適應遺傳算法的獨立微網配置優化方法
【專利摘要】本發明涉及一種基於改進的自適應遺傳算法的獨立微網配置優化方法，設定微電網系統結構，建立微電網的優化配置模型，建立微電網的優化配置模型，在滿足微電網系統供電可靠性的前提下，目標使微網綜合投資費用最低，用改進的自適應遺傳算法進行配置優化，尋求一組最優的電源配置，使費用目標函數的值最小。用改進的自適應遺傳算法（IAGA）來解決配置優化問題，IAGA利用神經元函數sigmoid設計出自適應的交叉率和變異率，將群體中適應度值最大個體的交叉率值和變異率值分別提高到某一正數，避免優良個體處於一種停滯狀態，過早收斂，使得IAGA跳出局部最優解，尋求全局最優解。
【專利說明】基於改進的自適應遺傳算法的獨立微網配置優化方法
【技術領域】
[0001]本發明涉及一種微網配置優化方法，特別涉及一種基於改進的自適應遺傳算法的獨立微網配置優化方法。
【背景技術】
[0002]隨著世界能源的短缺和人們對環保問題的重視，以風能、太陽能為代表的清潔可再生分布式發電單元受到了研究人員的關注。微網能夠將分布式發電單元、儲能裝置、負荷及控制裝置集成於一體，充分利用分布式發電單元和儲能裝置的優勢，靈活的運行於併網和孤島模式下，在解決供電可靠性、環保、能源短缺方面具有很大的潛力。
[0003]獨立微網系統的電源包含有風力發電機、光伏電池、柴油發電機和儲能蓄電池，負荷的功率需求由微網中的分布式發電單元和儲能來提供。獨立微網系統的容量配置問題，不僅影響微網系統的供電可靠性，也對微網系統投資效益產生影響。系統容量配置太大，滿足了負荷的功率需求，但增加了微網系統的投資成本，經濟性差；系統容量配置太小，降低了微網系統的投資成本，經濟性好，但由於無法滿足負荷的功率需求，降低了系統的供電可靠性。
[0004]獨立微網配置優化問題是一個多變量、非線性的多目標規劃問題，遺傳算法是一種基於進化論和遺傳學原理的隨機並行搜索優化方法，廣泛應用於對微網配置優化問題的求解。遺傳算法中的交叉算子和變異算子對算法收斂性、穩定性和全局性的影響至關重要。傳統遺傳算法(SGA)的交叉率和變異率是恆定值常數，使得SGA存在收斂速度慢、局部搜索能力差等缺點，並且針對於不同的優化問題，SGA最佳的交叉率值和變異率值需要通過反覆實驗來確定，很難找打適合每個問題的最佳值。自適應遺傳算法(AGA)的交叉率值和變異率值可以隨適應度自動變化，但是當AGA中的個體適應度值接近或等於當代群體的最大適應度值時，該個體的交叉率值和變異率值接近或等於零，這不利於早期進化，將會導致早期進化的優良個體陷入停滯不前的狀態，進而使算法偏離全局最優解，進入局部最優解的概率增加。以上兩種遺傳算法在求解微網配置容量問題時存在著算法收斂速度慢、穩定性差和所求解非全局最優解的問題。
【發明內容】
[0005]本發明是針對SGA和AGA兩種遺傳算法處理獨立微網配置優化存在的問題，提出了一種基於改進的自適應遺傳算法的獨立微網配置優化方法，用改進的自適應遺傳算法(IAGA)來解決配置優化問題，IAGA利用神經元函數sigmoid設計出自適應的交叉率和變異率，將群體中適應度值最大個體的交叉率值和變異率值分別提高到某一正數，避免優良個體處於一種停滯狀態，過早收斂，使得IAGA跳出局部最優解，尋求全局最優解。
[0006]本發明的技術方案為:一種基於改進的自適應遺傳算法的獨立微網配置優化方法，具體包括如下步驟:
I)設定微電網系統結構:微網系統由風力發電機組、光伏組件、柴油發電機、蓄電池、電負荷和變換器組成，分別建立風機、光伏陣列、柴油發電機和儲能裝置模型；
2)建立微電網的優化配置模型:
A:設定目標函數:目標在滿足微電網系統供電可靠性的前提下，使微網綜合投資費用最低，目標函數如下:
【權利要求】
1.一種基於改進的自適應遺傳算法的獨立微網配置優化方法，其特徵在於，具體包括如下步驟: 1)設定微電網系統結構:微網系統由風力發電機組、光伏組件、柴油發電機、蓄電池、電負荷和變換器組成，分別建立風機、光伏陣列、柴油發電機和儲能裝置模型； 2)建立微電網的優化配置模型: A:設定目標函數:目標在滿足微電網系統供電可靠性的前提下，使微網綜合投資費用最低，目標函數如下: mmC=猛(Ccpi(i)Xi + Com(°Xi+C艦' +eEi(￡X+cDi(fX.+Q艦.) 式中'T為運行時間為電源的類型數目JT2, *..,ΧΝ]為決策變量，Xi為第i種電源的數目；QPi it),Cmi (i)、CFiCt),Csi (i)分別為 i 時刻第 i 種電源的初始投資成本、運行和維護成本、燃料費用、懲罰費用、環保折算費用、發電補貼； B:設定約束條件，分別設定微源功率約束、滿足負載供電電源個數約束、蓄電池電量約束和供電可靠性約束； 3)用改進的自適應遺傳算法進行配置優化: 1:染色體編碼和初始種群的生成:染色體Z=Cr1,A，^，z4)T的各分量分別表示風機、光伏、蓄電池、柴油發電機的安裝容量，對染色體採用二進位編碼方式進行編碼，對於染色體的每一個基因位，在滿足相應的約束條件下，隨機產生一個基因，依次逐次進行，即可生成一個染色體，如此重複操作，直至生成所需規模大小的初始群體； I1:帶有自適應罰函數的適應度函數: 帶有罰函數的適應度函數為evalCr)=zCr)/7Cr),z U)為目標函數轉換後最大化函數， 通過適應性罰函數來處理約束A Cr) (bp 1=1, 2,…，m的情況,對當代種群Z7 (?)中給定一個個體ζ情況下，構造自適應罰函數為Ρ(λγ) = 1-丄Y〔,
* m Abjm^x j
其中(X) = max {O, gj (X) - ^}， Mjinax = max I (λ:)I , Si Cr)為第i個約束條件關於Z的函數'bi為第i個約束條件的上限值；Nbi Cr)代表著當前染色體對第i個約束條件的偏離值，Nbr是當前種群中對第i個約束條件的最大偏離值.Α為懲罰因子，可取為(O，I)區間上的值；ε是一個很小正數； II1:選擇參與交叉和變異的個體:採用精英選擇和輪盤賭選擇相結合的方式，選擇參與交叉和變異的個體，在選擇算子中，先找到當前群體中適應度最高的個體，允許其不經過交叉和變異，直接進入下一代，並替換下一代中群體中適應度最差的個體，將剩餘個體按照輪盤賭選擇法進行操作； IV:採用改進改進的自適應遺傳算法IAGA的交叉算子和變異算子: IAGA的交叉率&和變異率/^公式，如下:
其中/_為每一代種群的最大適應度值;/avg為每一代種群的平均適應度值'f,為要交叉的兩個個體中較大的適應度值'f為要變異個體的適應度值，
A二9.903438，Pcl=0.8, Pc2=0.6, /^1=0.04，/^2=0.005 ； V:採用最大終止代數的方法確定是否終止迭代過程，尋求一組最優的Cr1Z2X3X4)，使目標函數的值最小。
【文檔編號】G06Q10/04GK104184170SQ201410342043
【公開日】2014年12月3日 申請日期:2014年7月18日 優先權日:2014年7月18日
【發明者】楊秀, 李成, 張美霞, 王海波, 郭鵬超, 鄧虹, 劉方, 徐文麗, 時珊珊, 劉舒 申請人:國網上海市電力公司, 上海電力學院