基于多策略改进鲸鱼优化算法的混合储能系统优化配置求解方法

1.本发明涉及微电网的混合储能容量配置优化技术领域，尤其设计一种基于多策略改进鲸鱼优化算法的混合储能系统优化配置求解方法。


背景技术：

2.近年来以风电和光伏为代表的可再生能源在微电网中得到了广泛的应用，但其出力存在不确定性、随机性和间歇性，因此储能系统装置成为微电网的重要组成部分，一般广泛使用混合储能系统以提高储能系统的性能。由于储能系统的造价昂贵，运行寿命相对较短，因此在满足系统正常运行的条件基础上，合理规划储能系统的容量具有十分重要的意义。
3.国内外学者研究了大量混合储能系统的容量规划的问题，大多从经济性、平抑风光功率波动、电网运行稳定等角度进行了研究，但微电网在接入大电网时，会对大电网的规划运行带来一定影响，由于微电网的自发电造成微电网联络线负载率过低的现象，导致资源浪费过多。另外在求解多目标问题时，传统鲸鱼优化算法存在收敛速度慢、容易早熟以及陷入局部最优的缺点，往往难以解决实际问题；因此，需要设计一种基于多策略改进鲸鱼优化算法的混合储能系统优化配置求解方法来解决上述问题。


技术实现要素：

4.针对现有技术的不足，本发明的目的就是提供一种基于多策略改进鲸鱼优化算法的混合储能系统优化配置求解方法，该方法解决了现有技术微电网接入大电网时，由于微电网的自发电造成微电网联络线负载率过低的现象，导致资源浪费过多的问题；具有全局搜索能力强，引入广义反向学习机制，增强了算法跳出局部最优的能力，对于混合储能系统的优化配置问题求解精度高，可有效减少资源浪费的特点。
5.本发明的目的可以通过以下技术方案实现；
6.基于多策略改进鲸鱼优化算法的混合储能系统优化配置求解方法，它包括以下步骤：
7.step1：获取混合储能系统中设备的单价、运行系数、维护系数、处理系数和充放电效率；
8.step2：建立以成本最低为目标函数f1；建立以可再生能源功率波动抑制最高为目标函数f2；建立以联络线利用率最大为目标函数f3；
9.step3：以复合储能系统约束、联络线输送功率约束、功率平衡约束、微型燃气汽轮机输出功率约束和可再生能源约束确立约束条件；
10.step4：初始化参数：种群规模n、最大迭代次数t和优化问题维数dim，随机生成鲸鱼种群；
11.step5：采用立方混沌映射在空间内进行种群初始化；
12.step6：通过反向学习机制计算广义反向解，并计算原始解和反向解的值fitness(x
id
)和fitness(x
id
)；
13.step7：比较原始解和反向解的值：若fitness(x
id
)＜fitness(x
id
)则保持种群位置不变，反之利用反向解代替原始解更新种群位置；
14.step8：根据改进公式更新w，a，a，c；
15.step9：基于随机概率数p和系数|a|判断鲸鱼接下来的行为，从而选择性更新鲸鱼的位置；当p＜0.5且|a|≤1时，进入step10；当p＜0.5且|a|＞1时，进入step11；当p≥0.5时，进入step12；
16.step10：根据改进鲸鱼算法包围捕食阶段更新鲸鱼位置；
17.step11：根据改进鲸鱼算法鲸鱼群捕猎阶段更新鲸鱼位置；
18.step12：根据改进鲸鱼算法进行螺旋更新：
19.step13：计算新个体位置的适应度值，并更新个体最优位置和全局最优位置；
20.step14：判断是否达到算法最大迭代次数，若是，输出全局最优位置，反之迭代次数加1并且返回step5；
21.优选地，所述step2和step3为微电网混合储能系统优化配置求解模型，具体描述为：
22.s201，建立成本最低目标函数f1：
23.f1＝lcc
hess
＝c
iv
+c
om
+c
dc
24.c
iv
＝c
e1euc
+c
e2ebat
25.c
om
＝c
m1
p
uc
+c
m2
p
bat
26.c
dc
＝c
d1euc
+c
d2ebat
27.式中：lcc
hess
为全生命周期成本；c
iv
为设备的购置成本；c
om
为设备的运维成本；c
dc
为设备的处置成本；e
uc
和e
bat
分别为混合储能系统中超级电容器和蓄电池的容量；c
e1
和c
e2
分别为混合储能系统中超级电容和蓄电池单位容量价格；c
m1
和c
m2
分别为混合储能系统中超级电容和蓄电池单位功率的运行维护成本；p
uc
和p
bat
分别为混合储能系统中超级电容和蓄电池的功率；c
d1
和c
d2
分别为混合储能系统中超级电容器和蓄电池的处理系数；
28.s202，建立可再生能源功率波动抑制最高为目标函数f2：
[0029][0030]
p
dg,i
＝p
dg,i
+p
bat,i
+p
uc,i
[0031]
式中：i表示第i个时段；p
dg,i
为经复合储能补偿后的可再生能源输出功率；p
dg,i
为未经储能补偿的可再生能源实际发电功率；p
bat,i
和p
uc,i
分别为蓄电池和超级电容的输出功率；
[0032]
s203，建立以联络线利用率最大为目标函数f3：
[0033]
f3＝u
grid
[0034]
[0035][0036][0037]
p
grid,0
(t)＝max{|p
grid
|}
[0038]
式中：u
grid
是联络线利用率；e
grid-in
是大电网向微电网输送的电量；e
grid-out
是微电网向大电网倒送的电量；e
grid
是联络线额定功率下输送的电量；p
grid
是联络线功率；p
grid,0
为联络线额定功率；
[0039]
s204，多目标函数处理：
[0040]
考虑到上述多目标优化模型的量纲与数量级之间的差距，采用标准化方法对各目标函数进行归一化处理，表达式如下：
[0041][0042]
式中：fi'、fi分别为各函数的归一值和真实值；f
imin
、f
imax
分别为各函数的最小值、最大值。经过归一化处理后再用线性加权法将原多目标函数等价为单目标优化模型进行求解，表达式如下：
[0043][0044]
式中：λi为权重系数；
[0045]
s301，根据建立好的目标函数，建立约束条件：
[0046]
s302，建立功能平衡约束：
[0047]
p
pv
+p
wt
+p
mt
+p
uc
+p
bat
+p
grid
＝p
l
；
[0048]
s303，建立混合储能系统约束：
[0049][0050]
s304，建立储能系统的充放电功率满足最大充放电功率约束：
[0051][0052]
s305，建立蓄电池任意时刻的荷电状态s
oc
应在其上下限内：
[0053]soc,min
≤s
oc,i
≤s
oc,max
；
[0054]
s306，建立超级电容器端电压约束：
[0055]voc,min
≤v
oc,i
≤v
oc,max
；
[0056]
s307，建立联络线输送功率约束：
[0057]
p
grid,min
≤p
grid,i
≤p
grid,max
[0058]
[0059]
式中d
std
为功率标准差；δg为大电网所能承受的最大功率变化率(低于10％)；
[0060]
为联络线功率平均值；
[0061]
s308，建立燃气轮机输出功率约束：
[0062]
p
mt,min
≤p
mt,i
≤p
mt,max
；
[0063]
s309，建立风光输出功率约束：
[0064][0065]
进一步地，式中：fi'、fi分别为各函数的归一值和真实值；f
imin
、f
imax
分别为各函数的最小值、最大值；λi为权重系数；p
pv
为光伏输出功率；p
wt
为风机输出功率；p
mt
为燃气汽轮机输出功率；p
uc
为超级电容输出功率；p
bat
为蓄电池输出功率；p
grid
为联络线输出功率；p
l
为微电网系统需求功率；e
uc,min
、e
uc,max
为超级电容器最小、最大容量；e
uc,i
为超级电容器任意时刻剩余电量；e
bat,min
、e
bat,max
为蓄电池最小、最大容量；e
bat,i
为蓄电池任意时刻剩余电量；p
uc,min
、p
uc,max
为超级电容器充电最小、最大功率；p
bat,min
、p
bat,max
为蓄电池充电最小、最大功率；s
oc,min
、s
oc,max
为蓄电池最小、最大状态范围；s
oc,i
为蓄电池某一时刻的荷电状态；v
oc,min
、v
oc,max
为超级电容器的端电压最小值、最大值；v
oc,i
为超级电容器某一时刻的端电压值；p
grid,min
、p
grid,max
为联络线输送功率最小值、最大值；p
grid,i
为任意时刻联络线的输送功率；d
std
为功率标准差；δg为大电网所能承受的最大功率变化率(δg不超过装机容量的10％)；为联络线功率平均值；p
mt,min
、p
mt,max
为燃气汽轮机输出功率最小值、最大值；p
mt,i
为燃气汽轮机任意时刻的输出功率；p
pv,min
、p
pv,max
为光伏输出功率最小值、最大值；p
pv,i
为光伏任意时刻的输出功率；p
wt,min
、p
wt,max
为风机输出功率的最小值、最大值；p
wt,i
为风机任意时刻的输出功率。
[0066]
优选地，所述step5中，用立方混沌映射在空间内进行种群初始化，立方混沌映射的数学表达式为：
[0067][0068]
混沌初始化步骤如下：
[0069]
步骤1：在搜索空间中随机生成一个[-1,1]的d维个体；
[0070]
步骤2：将生成的第一个个体按式(1)进行迭代生成其它个体混沌序列；
[0071]
步骤3：所有鲸鱼个体都迭代完成后，按照公式映射到原搜索空间；公式如下：
[0072][0073]
式中：ud、ld为每个个体维度的上下限，xd为映射到解空间的混沌变量。
[0074]
优选地，所述step6中，通过反向学习机制计算广义反向解，并计算原始解和反向解的值fitness(x
id
)和fitness(x
id
)，广义反向学习机制的数学表达式为：
[0075]
x
id
＝rand
×
(li(t)+ui(t))-x
id
ꢀꢀ
(3)
[0076]
式中：x
id
表示广义反向解，x
id
＝(x1,x2,...,xn)为n维空间的一个个体，其中ui(t)，li(t)为表示整个种群当t次迭代时的动态上下界，ui(t)＝max(x
id
),li(t)＝min(x
id
),rand
为动态边界伸缩控制量，为[0,1]区间的随机数。
[0077]
优选地，所述step8中，根据公式更新w，a，a，c，b，数学表达式为：
[0078][0079][0080]
a＝2ar
1-a
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0081]
c＝2r2ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0082][0083]
式中：w为自适应权重，a为非线性收敛因子，a
initial
为收敛因子的初值，a
final
为收敛因子的终值，a为系数向量，r1、r2为[0,1]区间的随机数，b为螺旋形状参数，λ为螺旋更新系数，设置为10，w设置为0.5。
[0084]
优选地，所述step10中，改进后的鲸鱼算法包围捕食阶段更新鲸鱼位置公式为：
[0085]
x(t+1)＝w
·
x
*
(t)-a
·dꢀꢀꢀꢀꢀ
(9)
[0086]
d＝|c
·
x
*
(t)-x(t)|
ꢀꢀꢀꢀꢀꢀꢀꢀ
(10)
[0087]
式中：x(t+1)表示更新后的鲸鱼位置，x
*
(t)表示猎物的位置向量，t为当前迭代次数。
[0088]
优选地，所述step11中，改进后的鲸鱼算法包围捕食阶段更新鲸鱼位置公式为：
[0089]
x(t+1)＝w
·
x
rand
(t)-a
·dꢀꢀꢀꢀꢀ
(11)
[0090]
式中：x
rand
为随机选择的个体的位置向量。
[0091]
优选地，所述step12中，改进后的鲸鱼算法包围捕食阶段更新鲸鱼位置公式为：
[0092]
x(t+1)＝w
·
d'
·ebl
·
cos(2πl)+x
*
(t)
ꢀꢀ
(12)
[0093]
式中：d'为猎物与鲸鱼个体之间的距离。
[0094]
进一步地，该方法基于微电网运行准则，获得该模型的最优容量配置方案。
[0095]
与现有技术相比，本发明有如下有益效果：
[0096]
1，该发明在建立混合储能容量优化配置模型时，在考虑了储能系统全生命周期成本和可再生能源的功率波动的基础上，为了评估联络线的使用情况，实现资源的合理利用，还计及了联络线利用率。
[0097]
2，该发明针对鲸鱼优化算法收敛精度低、容易陷入局部最优等问题，采用多种策略对算法进行改进，提出一种自适应动态鲸鱼优化算法。在算法初期引入立方混沌映射提升初始解的遍历性；引入自适应惯性权重系数并对收敛因子进行非线性改进，平衡全局搜索与局部搜索的能力；对螺旋搜索方程改进，使鲸鱼动态地调整搜索形状，提升算法的全局搜索能力，引入广义反向学习机制以增强算法跳出局部最优的能力。对于混合储能系统的优化配置问题求解精度高。
附图说明
[0098]
图1为风电、光伏及负荷功率示意图；
[0099]
图2为优化模型求解流程示意图。
具体实施方式
[0100]
实施例1：如图1～图2中，基于多策略改进鲸鱼优化算法的混合储能系统优化配置求解方法，它包括以下步骤：
[0101]
step1：获取混合储能系统中设备的单价、运行系数、维护系数、处理系数和充放电效率；
[0102]
step2：建立以成本最低为目标函数f1；建立以可再生能源功率波动抑制最高为目标函数f2；建立以联络线利用率最大为目标函数f3；
[0103]
step3：以复合储能系统约束、联络线输送功率约束、功率平衡约束、微型燃气汽轮机输出功率约束和可再生能源约束确立约束条件；
[0104]
step4：初始化参数：种群规模n、最大迭代次数t和优化问题维数dim，随机生成鲸鱼种群；
[0105]
step5：采用立方混沌映射在空间内进行种群初始化；
[0106]
step6：通过反向学习机制计算广义反向解，并计算原始解和反向解的值fitness(x
id
)和fitness(x
id
)；
[0107]
step7：比较原始解和反向解的值：若fitness(x
id
)＜fitness(x
id
)则保持种群位置不变，反之利用反向解代替原始解更新种群位置；
[0108]
step8：根据改进公式更新w，a，a，c；
[0109]
step9：基于随机概率数p和系数|a|判断鲸鱼接下来的行为，从而选择性更新鲸鱼的位置；当p＜0.5且|a|≤1时，进入step10；当p＜0.5且|a|＞1时，进入step11；当p≥0.5时，进入step12；
[0110]
step10：根据改进鲸鱼算法包围捕食阶段更新鲸鱼位置；
[0111]
step11：根据改进鲸鱼算法鲸鱼群捕猎阶段更新鲸鱼位置；
[0112]
step12：根据改进鲸鱼算法进行螺旋更新：
[0113]
step13：计算新个体位置的适应度值，并更新个体最优位置和全局最优位置；
[0114]
step14：判断是否达到算法最大迭代次数，若是，输出全局最优位置，反之迭代次数加1并且返回step5；
[0115]
优选地，所述step2和step3为微电网混合储能系统优化配置求解模型，具体描述为：
[0116]
s201，建立成本最低目标函数f1：
[0117]
f1＝lcc
hess
＝c
iv
+c
om
+c
dc
[0118]civ
＝c
e1euc
+c
e2ebat
[0119]com
＝c
m1
p
uc
+c
m2
p
bat
[0120]cdc
＝c
d1euc
+c
d2ebat
[0121]
式中：lcc
hess
为全生命周期成本；c
iv
为设备的购置成本；c
om
为设备的运维成本；c
dc
为设备的处置成本；e
uc
和e
bat
分别为混合储能系统中超级电容器和蓄电池的容量；c
e1
和c
e2
分别为混合储能系统中超级电容和蓄电池单位容量价格；c
m1
和c
m2
分别为混合储能系统中超级电容和蓄电池单位功率的运行维护成本；p
uc
和p
bat
分别为混合储能系统中超级电容和
蓄电池的功率；c
d1
和c
d2
分别为混合储能系统中超级电容器和蓄电池的处理系数；
[0122]
s202，建立可再生能源功率波动抑制最高为目标函数f2：
[0123][0124]
p
dg,i
＝p
dg,i
+p
bat,i
+p
uc,i
[0125]
式中：i表示第i个时段；p
dg,i
为经复合储能补偿后的可再生能源输出功率；p
dg,i
为未经储能补偿的可再生能源实际发电功率；p
bat,i
和p
uc,i
分别为蓄电池和超级电容的输出功率；
[0126]
s203，建立以联络线利用率最大为目标函数f3：
[0127]
f3＝u
grid
[0128][0129][0130][0131]
p
grid,0
(t)＝max{|p
grid
|}
[0132]
式中：u
grid
是联络线利用率；e
grid-in
是大电网向微电网输送的电量；e
grid-out
是微电网向大电网倒送的电量；e
grid
是联络线额定功率下输送的电量；p
grid
是联络线功率；p
grid,0
为联络线额定功率；
[0133]
s204，多目标函数处理：
[0134]
考虑到上述多目标优化模型的量纲与数量级之间的差距，采用标准化方法对各目标函数进行归一化处理，表达式如下：
[0135][0136]
式中：fi'、fi分别为各函数的归一值和真实值；f
imin
、f
imax
分别为各函数的最小值、最大值。经过归一化处理后再用线性加权法将原多目标函数等价为单目标优化模型进行求解，表达式如下：
[0137][0138]
式中：λi为权重系数；
[0139]
s301，根据建立好的目标函数，建立约束条件：
[0140]
s302，建立功能平衡约束：
[0141]
p
pv
+p
wt
+p
mt
+p
uc
+p
bat
+p
grid
＝p
l
；
[0142]
s303，建立混合储能系统约束：
[0143][0144]
s304，建立储能系统的充放电功率满足最大充放电功率约束：
[0145][0146]
s305，建立蓄电池任意时刻的荷电状态s
oc
应在其上下限内：
[0147]soc,min
≤s
oc,i
≤s
oc,max
；
[0148]
s306，建立超级电容器端电压约束：
[0149]voc,min
≤v
oc,i
≤v
oc,max
；
[0150]
s307，建立联络线输送功率约束：
[0151]
p
grid,min
≤p
grid,i
≤p
grid,max
[0152][0153]
式中d
std
为功率标准差；δg为大电网所能承受的最大功率变化率(低于10％)；
[0154]
为联络线功率平均值；
[0155]
s308，建立燃气轮机输出功率约束：
[0156]
p
mt,min
≤p
mt,i
≤p
mt,max
；
[0157]
s309，建立风光输出功率约束：
[0158][0159]
进一步地，式中：fi'、fi分别为各函数的归一值和真实值；f
imin
、f
imax
分别为各函数的最小值、最大值；λi为权重系数；p
pv
为光伏输出功率；p
wt
为风机输出功率；p
mt
为燃气汽轮机输出功率；p
uc
为超级电容输出功率；p
bat
为蓄电池输出功率；p
grid
为联络线输出功率；p
l
为微电网系统需求功率；e
uc,min
、e
uc,max
为超级电容器最小、最大容量；e
uc,i
为超级电容器任意时刻剩余电量；e
bat,min
、e
bat,max
为蓄电池最小、最大容量；e
bat,i
为蓄电池任意时刻剩余电量；p
uc,min
、p
uc,max
为超级电容器充电最小、最大功率；p
bat,min
、p
bat,max
为蓄电池充电最小、最大功率；s
oc,min
、s
oc,max
为蓄电池最小、最大状态范围；s
oc,i
为蓄电池某一时刻的荷电状态；v
oc,min
、v
oc,max
为超级电容器的端电压最小值、最大值；v
oc,i
为超级电容器某一时刻的端电压值；p
grid,min
、p
grid,max
为联络线输送功率最小值、最大值；p
grid,i
为任意时刻联络线的输送功率；d
std
为功率标准差；δg为大电网所能承受的最大功率变化率(δg不超过装机容量的10％)；为联络线功率平均值；p
mt,min
、p
mt,max
为燃气汽轮机输出功率最小值、最大值；p
mt,i
为燃气汽轮机任意时刻的输出功率；p
pv,min
、p
pv,max
为光伏输出功率最小值、最大值；p
pv,i
为光伏任意时刻的输出功率；p
wt,min
、p
wt,max
为风机输出功率的最小值、最大值；p
wt,i
为风机任意时刻的输出功率。
[0160]
优选地，所述step5中，用立方混沌映射在空间内进行种群初始化，立方混沌映射
的数学表达式为：
[0161][0162]
混沌初始化步骤如下：
[0163]
步骤1：在搜索空间中随机生成一个[-1,1]的d维个体；
[0164]
步骤2：将生成的第一个个体按式(1)进行迭代生成其它个体混沌序列；
[0165]
步骤3：所有鲸鱼个体都迭代完成后，按照公式映射到原搜索空间；公式如下：
[0166][0167]
式中：ud、ld为每个个体维度的上下限，xd为映射到解空间的混沌变量。
[0168]
优选地，所述step6中，通过反向学习机制计算广义反向解，并计算原始解和反向解的值fitness(x
id
)和fitness(x
id
)，广义反向学习机制的数学表达式为：
[0169]
x
id
＝rand
×
(li(t)+ui(t))-x
id
ꢀꢀ
(3)
[0170]
式中：x
id
表示广义反向解，x
id
＝(x1,x2,...,xn)为n维空间的一个个体，其中ui(t)，li(t)为表示整个种群当t次迭代时的动态上下界，ui(t)＝max(x
id
),li(t)＝min(x
id
),rand为动态边界伸缩控制量，为[0,1]区间的随机数。
[0171]
优选地，所述step8中，根据公式更新w，a，a，c，b，数学表达式为：
[0172][0173][0174]
a＝2ar
1-a
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0175]
c＝2r2ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0176][0177]
式中：w为自适应权重，a为非线性收敛因子，a
initial
为收敛因子的初值，a
final
为收敛因子的终值，a为系数向量，r1、r2为[0,1]区间的随机数，b为螺旋形状参数，λ为螺旋更新系数，设置为10，w设置为0.5。
[0178]
优选地，所述step10中，改进后的鲸鱼算法包围捕食阶段更新鲸鱼位置公式为：
[0179]
x(t+1)＝w
·
x
*
(t)-a
·dꢀꢀꢀꢀꢀ
(9)
[0180]
d＝|c
·
x
*
(t)-x(t)|
ꢀꢀꢀꢀꢀꢀꢀꢀ
(10)
[0181]
式中：x(t+1)表示更新后的鲸鱼位置，x
*
(t)表示猎物的位置向量，t为当前迭代次数。
[0182]
优选地，所述step11中，改进后的鲸鱼算法包围捕食阶段更新鲸鱼位置公式为：
[0183]
x(t+1)＝w
·
x
rand
(t)-a
·dꢀꢀꢀꢀꢀ
(11)
[0184]
式中：x
rand
为随机选择的个体的位置向量。
[0185]
优选地，所述step12中，改进后的鲸鱼算法包围捕食阶段更新鲸鱼位置公式为：
[0186]
x(t+1)＝w
·
d'
·ebl
·
cos(2πl)+x
*
(t)
ꢀꢀ
(12)
[0187]
式中：d'为猎物与鲸鱼个体之间的距离。
[0188]
进一步地，该方法基于微电网运行准则，获得该模型的最优容量配置方案。
[0189]
实施例2：
[0190]
选取某并网型微电网为案例，风力发电的额定功率为80kw，光伏发电的额定功率为40kw，微型燃气轮机的额定功率为50kw.选取典型日的风电、光伏及负荷预测功率如图1所示，蓄电池和超级电容器参数如表1所示。
[0191][0192]
表1:性能参数
[0193]
经过优化后的混合储能系统数据如表2所示：
[0194][0195][0196]
表2：算法优化结果
[0197]
上述的实施例仅为本发明的优选技术方案，而不应视为对于本发明的限制，本技术中的实施例及实施例中的特征在不冲突的情况下，可以相互任意组合。本发明的保护范围应以权利要求记载的技术方案，包括权利要求记载的技术方案中技术特征的等同替换方案为保护范围。即在此范围内的等同替换改进，也在本发明的保护范围之内。

技术特征：
1.基于多策略改进鲸鱼优化算法的混合储能系统优化配置求解方法，其特征在于，包括以下步骤：step1：获取混合储能系统中设备的单价、运行系数、维护系数、处理系数和充放电效率；step2：建立以成本最低为目标函数f1；建立以可再生能源功率波动抑制最高为目标函数f2；建立以联络线利用率最大为目标函数f3；step3：以复合储能系统约束、联络线输送功率约束、功率平衡约束、微型燃气汽轮机输出功率约束和可再生能源约束确立约束条件；step4：初始化参数：种群规模n、最大迭代次数t和优化问题维数dim，随机生成鲸鱼种群；step5：采用立方混沌映射在空间内进行种群初始化；step6：通过反向学习机制计算广义反向解，并计算原始解和反向解的值fitness(x
id
)和fitness(x
id
)；step7：比较原始解和反向解的值：若fitness(x
id
)＜fitness(x
id
)则保持种群位置不变，反之利用反向解代替原始解更新种群位置；step8：根据改进公式更新w，a，a，c；step9：基于随机概率数p和系数|a|判断鲸鱼接下来的行为，从而选择性更新鲸鱼的位置；当p＜0.5且|a|≤1时，进入step10；当p＜0.5且|a|＞1时，进入step11；当p≥0.5时，进入step12；step10：根据改进鲸鱼算法包围捕食阶段更新鲸鱼位置；step11：根据改进鲸鱼算法鲸鱼群捕猎阶段更新鲸鱼位置；step12：根据改进鲸鱼算法进行螺旋更新：step13：计算新个体位置的适应度值，并更新个体最优位置和全局最优位置；step14：判断是否达到算法最大迭代次数，若是，输出全局最优位置，反之迭代次数加1并且返回step5。2.根据权利1中基于多策略改进鲸鱼优化算法的混合储能系统优化配置求解方法，其特征在于：所述step2和step3为微电网混合储能系统优化配置求解模型，具体描述为：s201，建立成本最低目标函数f1：f1＝lcc
hess
＝c
iv
+c
om
+c
dc
c
iv
＝c
e1
e
uc
+c
e2
e
bat
c
om
＝c
m1
p
uc
+c
m2
p
bat
c
dc
＝c
d1
e
uc
+c
d2
e
bat
式中：lcc
hess
为全生命周期成本；c
iv
为设备的购置成本；c
om
为设备的运维成本；c
dc
为设备的处置成本；e
uc
和e
bat
分别为混合储能系统中超级电容器和蓄电池的容量；c
e1
和c
e2
分别为混合储能系统中超级电容和蓄电池单位容量价格；c
m1
和c
m2
分别为混合储能系统中超级电容和蓄电池单位功率的运行维护成本；p
uc
和p
bat
分别为混合储能系统中超级电容和蓄电池的功率；c
d1
和c
d2
分别为混合储能系统中超级电容器和蓄电池的处理系数；s202，建立可再生能源功率波动抑制最高为目标函数f2：
p
dg,i
＝p
dg,i
+p
bat,i
+p
uc,i
式中：i表示第i个时段；p
dg,i
为经复合储能补偿后的可再生能源输出功率；p
dg,i
为未经储能补偿的可再生能源实际发电功率；p
bat,i
和p
uc,i
分别为蓄电池和超级电容的输出功率；s203，建立以联络线利用率最大为目标函数f3：f3＝u
gridgridgrid
p
grid,0
(t)＝max{|p
grid
|}式中：u
grid
是联络线利用率；e
grid-in
是大电网向微电网输送的电量；e
grid-out
是微电网向大电网倒送的电量；e
grid
是联络线额定功率下输送的电量；p
grid
是联络线功率；p
grid,0
为联络线额定功率；s204，多目标函数处理：考虑到上述多目标优化模型的量纲与数量级之间的差距，采用标准化方法对各目标函数进行归一化处理，表达式如下：式中：f
i
'、f
i
分别为各函数的归一值和真实值；f
imin
、f
imax
分别为各函数的最小值、最大值。经过归一化处理后再用线性加权法将原多目标函数等价为单目标优化模型进行求解，表达式如下：式中：λ
i
为权重系数；s301，根据建立好的目标函数，建立约束条件：s302，建立功能平衡约束：p
pv
+p
wt
+p
mt
+p
uc
+p
bat
+p
grid
＝p
l
；s303，建立混合储能系统约束：s304，建立储能系统的充放电功率满足最大充放电功率约束：
s305，建立蓄电池任意时刻的荷电状态s
oc
应在其上下限内：s
oc,min
≤s
oc,i
≤s
oc,max
；s306，建立超级电容器端电压约束：v
oc,min
≤v
oc,i
≤v
oc,max
；s307，建立联络线输送功率约束：p
grid,min
≤p
grid,i
≤p
grid,max
式中d
std
为功率标准差；δ
g
为大电网所能承受的最大功率变化率(低于10％)；为联络线功率平均值；s308，建立燃气轮机输出功率约束：p
mt,min
≤p
mt,i
≤p
mt,max
；s309，建立风光输出功率约束：3.根据权利1中基于多策略改进鲸鱼优化算法的混合储能系统优化配置求解方法，其特征在于：所述step5中，用立方混沌映射在空间内进行种群初始化，立方混沌映射的数学表达式为：混沌初始化步骤如下：步骤1：在搜索空间中随机生成一个[-1,1]的d维个体；步骤2：将生成的第一个个体按式(1)进行迭代生成其它个体混沌序列；步骤3：所有鲸鱼个体都迭代完成后，按照公式映射到原搜索空间；公式如下：式中：u
d
、l
d
为每个个体维度的上下限，x
d
为映射到解空间的混沌变量。4.根据权利1中基于多策略改进鲸鱼优化算法的混合储能系统优化配置求解方法，其特征在于：所述step6中，通过反向学习机制计算广义反向解，并计算原始解和反向解的值fitness(x
id
)和fitness(x
id
)，广义反向学习机制的数学表达式为：x
id
＝rand
×
(l
i
(t)+u
i
(t))-x
id
ꢀꢀꢀꢀ
(3)式中：x
id
表示广义反向解，x
id
＝(x1,x2,...,x
n
)为n维空间的一个个体，其中u
i
(t)，l
i
(t)为表示整个种群当t次迭代时的动态上下界，u
i
(t)＝max(x
id
),l
i
(t)＝min(x
id
),rand为动态边界伸缩控制量，为[0,1]区间的随机数。
5.根据权利1中基于多策略改进鲸鱼优化算法的混合储能系统优化配置求解方法，其特征在于，所述step8中，根据公式更新w，a，a，c，b，数学表达式为：数学表达式为：a＝2ar
1-a
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)c＝2r2ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)式中：w为自适应权重，a为非线性收敛因子，a
initial
为收敛因子的初值，a
final
为收敛因子的终值，a为系数向量，r1、r2为[0,1]区间的随机数，b为螺旋形状参数，λ为螺旋更新系数，设置为10，w设置为0.5。6.根据权利1中基于多策略改进鲸鱼优化算法的混合储能系统优化配置求解方法，其特征在于：所述step10中，改进后的鲸鱼算法包围捕食阶段更新鲸鱼位置公式为：x(t+1)＝w
·
x
*
(t)-a
·
d
ꢀꢀꢀꢀꢀ
(9)d＝|c
·
x
*
(t)-x(t)|
ꢀꢀꢀꢀꢀꢀꢀꢀ
(10)式中：x(t+1)表示更新后的鲸鱼位置，x
*
(t)表示猎物的位置向量，t为当前迭代次数。7.根据权利1中基于多策略改进鲸鱼优化算法的混合储能系统优化配置求解方法，其特征在于，所述step11中，改进后的鲸鱼算法包围捕食阶段更新鲸鱼位置公式为：x(t+1)＝w
·
x
rand
(t)-a
·
d
ꢀꢀꢀꢀꢀ
(11)式中：x
rand
为随机选择的个体的位置向量。8.根据权利1中基于多策略改进鲸鱼优化算法的混合储能系统优化配置求解方法，其特征在于：所述step12中，改进后的鲸鱼算法包围捕食阶段更新鲸鱼位置公式为：x(t+1)＝w
·
d'
·
e
bl
·
cos(2πl)+x
*
(t)
ꢀꢀꢀꢀ
(12)式中：d'为猎物与鲸鱼个体之间的距离。

技术总结
本发明公开了一种基于多策略改进鲸鱼优化算法的混合储能系统优化配置求解方法，该发明针对鲸鱼优化算法收敛精度低、容易陷入局部最优等问题，采用多种策略对算法进行改进，提出一种自适应动态鲸鱼优化算法。在算法初期引入立方混沌映射提升初始解的遍历性；引入自适应惯性权重系数并对收敛因子进行非线性改进，平衡全局搜索与局部搜索的能力；对螺旋搜索方程改进，使鲸鱼动态地调整搜索形状，提升算法的全局搜索能力，引入广义反向学习机制以增强算法跳出局部最优的能力，对于混合储能系统的优化配置问题求解精度高。优化配置问题求解精度高。优化配置问题求解精度高。


技术研发人员：扬臻辉
受保护的技术使用者：三峡大学
技术研发日：2023.04.28
技术公布日：2023/8/24