优·细菌算法资料.docVIP

资料 采用改进细菌觅食算法的风/光/储混合微电网电源优化配置微电网在提高终端用户多样化的供电可靠性、电能质量等方面具有重要作用。随着微电网控制技术的持续发展和可再生发电成本的不断降低，微电网可以表现为一个孤岛独立运行的有源自治电力系统实现节能减排。微电网也是解决现代新农村电气化的经济供电方式，避免远距离输电带来的电能损耗和建设费用，也可以应用于边远军事哨所、岛屿供电、高海拔独立电网等特殊场合，是对传统供电形式的有利补充在微电网规划中，合理的电源选型和定容是一个重要和复杂的问题响应特性系统性风电机组的输出功率与风速之间的近似关系可用如下分段函数表 2.光伏列阵实际输出功率可由标准额定条件下的输出功率、光照强度、环境温度得 3. 储能装置模型蓄电池实际可用容量Ebat 是电池温度的函数 4．微电网电源优化配置模型目标函数： 5.其他公式： 6. 改进的细菌觅食算法求得最优解的流程 传统多目标优化方法和多目标遗传算法的比较综述多目标最优化是一门迅速发展起来的学科，是最优化的一个重要分支，它主要研究在某种意义下多个数值目标的同时最优化问题，吸引了不少学者的关注。在现实生活中，人类改造自然的方案规划与设计过程在总体上都反映了“最大化效益，最小化成本”这一基本优化原则，在合作对策问题中如何求解最优策略以获得共赢目标，在非合作对策问题中如何使自己的利益实现最大化，使对方的受益最小化，以及控制工程中的稳、准、快等时域指标与稳定域度、系统带宽等频域特性的综合问题等，实际上都是多目标的优化问题，因此多目标优化问题在现实世界中随处可见。 2．传统的优化算法： 加权求和法 约束法 （3）最小-最大法遗传算法 GA（Genetic Algorithm）是受生物学进化学说和遗传学理论的启发而发展起来的，是一类模拟自然生物进化过程与机制求解问题的自组织与自适应的人工智能技术，是一种借鉴生物界自然选择和自然遗传机制的随机的搜索算法，Holland教授于 1975 年提出。Goldberg总结了一种统一的最基本的遗传算法，称为基本遗传算法（Simple Genetic Algorithms，SGA）。只使用基本的遗传算子：选择算子、交叉算子和变异算子。其遗传进化过程简单，容易理解，是其他遗传算法的雏形和基础常用的几种多目标遗传算法：（1）并列选择法2）非劣分层遗传算法（NSGA）3）基于目标加权法的遗传算法（4）多目标粒子群算法（MOPSO）5）微遗传算法（Micro-Genetic Algorithm，Micro-GA） 多目标粒子群算法（MOPSO）粒子群优化算法（Particle Swarm Optimization，PSO） 是一种进化计算技术，由美国学者 Eberhart和 kennedy 于 1995 年提出，但直到 2002 年它才被逐渐用到多目标优化问题中。PSO 初始化为一随机粒子种群，然后随着迭代演化逐步找到最优解。在每次迭代中，粒子通过跟踪两个“极值”来更新自己，一个是粒子本身所找到的个体极值 pBest,另一个是该粒子所属邻居范围内所有粒子找出的全局极值 qBest。MOPSO 与求解单目标的 PSO 相比，唯一的区别就是不能直接确定全局极值 qBest，按照 pareto 支配关系从该粒子的当前位置和历史最优位置中选取较优者作为当前个体极值，若无支配关系，则从两者中随机选取一个。 含分布式电源的配电系统规划分布式发电( distr ibuted g eneratio n, DG ) 指的是为了满足一些特殊用户的需求, 支持已有的配电网的经济运行而设计和安装的在用户处或其附近的小型发电机( 一般小于 30 M W) , 或坐落在用户附近使得负荷的供电可靠性及电能质量都得到增强, 或者由于就地应用热电联产使得效率得到提高的发电形式[ 1] 。目前开发的分布式电源在减轻环境的污染, 降低终端用户的费用等方面具有一定的优势, 同时又具有高效性和灵活性的特点以及满足能源可持续发展的要求。因此随着 DG 的技术性能不断改善, 成本进一步降低, 其在电力系统中所占的比重逐步增长。D G 与常规电力系统并网运行的趋势越来越明显, DG 并网后对电力系统运行、控制、保护等各方面会产生一定影响。为了使 DG 可以在避免降低公共电网系统的电能质量、可靠性以及可控性的方