基于改进混合蛙跳算法的混合储能容量配置方法及设备技术

本发明专利技术涉及一种基于改进混合蛙跳算法的混合储能容量配置方法及设备，所述方法包括以下步骤：基于历史数据构建混合储能容量优化配置数学模型；采用改进混合蛙跳算法求解所述混合储能容量优化配置数学模型，获得最优混合储能容量配置结果；所述改进混合蛙跳算法在子群内部更新过程中，基于子群个体平均值优化该子群内最差青蛙的位置。与现有技术相比，本发明专利技术采用的改进混合蛙跳算法不仅可以增大搜索范围，使得搜索精细化，也可以利用其他青蛙个体的位置来避免陷入局部最优，具有优化效果好、效率高等优点。效率高等优点。效率高等优点。

【技术实现步骤摘要】
基于改进混合蛙跳算法的混合储能容量配置方法及设备


[0001]本专利技术属于电力系统领域的数据处理方法，涉及一种混合储能容量配置方法，尤其是涉及一种基于改进混合蛙跳算法的混合储能容量配置方法及设备。

技术介绍

[0002]储能技术的引入，为提高间歇式能源发电并网应用提供了便捷有效的途径。储能系统装置的功率双向能力，可以平滑间歇性电源功率输出波动，可以跟踪调度计划出力、缩减间歇性电源预测功率误差，可以借“削峰填谷”方式降低间歇式能源丢弃率。而合理的配置储能系统容量是新能源发电系统经济可靠运行的重要保障。目前在求解储能系统容量多目标优化配置模型上，大多数是通过加权求和将多目标优化问题转化成单目标优化问题或者选取一个目标作为优化目标，然后通过群智能算法进行求解，以获得最优配置。
[0003]混合蛙跳算法(Shuffled Frog Leading Algorithm，SFLA)是一种启发式算法，可应用于上述混合储能容量配置问题。混合蛙跳算法通过启发式函数进行搜索，从而找到组合最优问题的解。算法结合了以遗传为基础的memetic算法(MA算法)和以社会行为为基础的粒子群优化算法(PSO算法)的优点，其特点是概念简单明了，需要调整的参数少，鲁棒性强，解决问题时计算速度快，寻找最优解的能力比普通算法强以及最为重要的易于编程实现的特点。随着研究的不断深入，混合蛙跳算法被广泛应用于复杂函数优化、无人机路径规划等诸多领域。但是现有的混合蛙跳算法仍然存在一些缺点，诸如求解精度不高、收敛速度慢、算法易陷入局部最优的问题。针对这些问题，近年来许多学者对其性能进行研究改进：对青蛙的觅食方式进行改进，增加个体搜索空间，增大获得优质解的概率；引入自适应同步因子，改变局部搜索蛙跳原则，增加种群的多样性；引入模拟退火(SA)、免疫接种(IV)、高斯变异和混沌扰动算子以提高SFLA算法的深度搜索能力和广度搜索能力。虽然以上研究在一定程度上提升了算法的优化能力，但随着更多复杂优化问题和严格实时性要求的提出，需要求解精度更高、优化性能更好的混合蛙跳算法，因此，对于混合蛙跳算法的改进仍然有较大空间。

技术实现思路

[0004]本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种优化效果好、效率高的基于改进混合蛙跳算法的混合储能容量配置方法及设备。
[0005]本专利技术的目的可以通过以下技术方案来实现：
[0006]一种基于改进混合蛙跳算法的混合储能容量配置方法，该方法包括以下步骤：
[0007]基于历史数据构建混合储能容量优化配置数学模型；
[0008]采用改进混合蛙跳算法求解所述混合储能容量优化配置数学模型，获得最优混合储能容量配置结果；
[0009]所述改进混合蛙跳算法在子群内部更新过程中，基于子群个体平均值优化该子群内最差青蛙的位置。
[0010]进一步地，所述子群个体平均值采用子群内除最差青蛙和最优青蛙以外的青蛙个体的平均值。
[0011]进一步地，利用二分法求取所述子群个体平均值。
[0012]进一步地，所述子群个体平均值X
a
的计算公式为：
[0013][0014]式中，X
i
是子群中不同于最优个体X
best
和最差个体X
worst
的青蛙个体，ρ表示青蛙个体数量。
[0015]进一步地，所述基于子群个体平均值优化该子群内最差青蛙的位置采用的公式为：
[0016]D
i
＝c*rand()
×
(X
a
‑
X
worst
)
[0017]X
new
＝X
worst
+D
i
[0018]式中，D
i
表示该子群中最差青蛙X
worst
的第i次更新步长，X
a
为子群个体平均值，rand()为0
‑
1之间的随机数，c为加速因子，X
new
为更新后的位置。
[0019]进一步地，所述加速因子的取值为1.5。
[0020]进一步地，所述改进混合蛙跳算法的子群内部更新过程具体为：
[0021]1)基于子群个体平均值更新最差青蛙X
worst
的位置，获得X
new
，若新解X
worst
的适应度值优于原来，则用X
new
代替X
worst
，否则，进行下一步；
[0022]2)基于子群内最好解更新最差青蛙X
worst
的位置，获得X
new
，若新解X
worst
的适应度值优于原来，则用X
new
代替X
worst
，否则，进行下一步；
[0023]3)基于全局最优解更新最差青蛙X
worst
的位置，获得X
new
，若新解X
worst
的适应度值优于原来，则用X
new
代替X
worst
，否则，进行下一步；
[0024]4)随机产生一个解取代X
worst
，返回步骤1)，直到满足搜索停止条件。
[0025]进一步地，所述搜索停止条件包括搜索次数达到设定最大值或者达到所设定收敛精度。
[0026]本专利技术还提供一种电子设备，包括：
[0027]一个或多个处理器；
[0028]存储器；和
[0029]被存储在存储器中的一个或多个程序，所述一个或多个程序包括用于执行如上所述基于改进混合蛙跳算法的混合储能容量配置方法的指令。
[0030]本专利技术还提供一种计算机可读存储介质，包括供电子设备的一个或多个处理器执行的一个或多个程序，所述一个或多个程序包括用于执行如上所述基于改进混合蛙跳算法的混合储能容量配置方法的指令。
[0031]与现有技术相比，本专利技术具有以下有益效果：
[0032]本专利技术应用改进混合蛙跳算法进行混合储能容量配置的优化求解，在改进混合蛙跳算法中应用数学思维二分法，将除最差青蛙以外的青蛙个体利用二分法求取平均值，再将最差青蛙依此位置进行进化，不仅增大搜索了范围，使得搜索精细化，除此之外，也可以利用其他青蛙个体的位置来避免陷入局部最优。在此基础上，克服现有技术中存在的收敛
精度不足和易陷入局部最优的缺陷，从而提高了混合储能容量配置优化的精度和效率。
附图说明
[0033]图1为本专利技术的流程示意图；
[0034]图2为函数f1平均值的测试结果图，其中，(2a)为进化曲线，(2b)为局部放大图；
[0035]图3为函数f2平均值的测试结果图，其中，(3a)为进化曲线，(3b)为局部放大图；
[0036]图4为函数f3平均值的测试结果图，其中，(4a)为进化曲线，(4b)本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进混合蛙跳算法的混合储能容量配置方法，其特征在于，该方法包括以下步骤：基于历史数据构建混合储能容量优化配置数学模型；采用改进混合蛙跳算法求解所述混合储能容量优化配置数学模型，获得最优混合储能容量配置结果；所述改进混合蛙跳算法在子群内部更新过程中，基于子群个体平均值优化该子群内最差青蛙的位置。2.根据权利要求1所述的基于改进混合蛙跳算法的混合储能容量配置方法，其特征在于，所述子群个体平均值采用子群内除最差青蛙和最优青蛙以外的青蛙个体的平均值。3.根据权利要求2所述的基于改进混合蛙跳算法的混合储能容量配置方法，其特征在于，利用二分法求取所述子群个体平均值。4.根据权利要求3所述的基于改进混合蛙跳算法的混合储能容量配置方法，其特征在于，所述子群个体平均值X
a
的计算公式为：式中，X
i
是子群中不同于最优个体X
best
和最差个体X
worst
的青蛙个体，ρ表示青蛙个体数量。5.根据权利要求1所述的基于改进混合蛙跳算法的混合储能容量配置方法，其特征在于，所述基于子群个体平均值优化该子群内最差青蛙的位置采用的公式为：D
i
＝c*rand()
×
(X
a
‑
X
worst
)X
new
＝X
worst
+D
i
式中，D
i
表示该子群中最差青蛙X
worst
的第i次更新步长，X
a
为子群个体平均值，rand()为0
‑
1之间的随机数，c为加速因子，X
new
为更新后的位置。6.根据权利要求5所述的基于改进混合蛙跳算法的混合储能容量配置方法，其特征在于，所述加速因子的取值为1.5。7....

【专利技术属性】
技术研发人员：王晓彬，邹海荣，
申请(专利权)人：上海电机学院，
类型：发明
国别省市：