基于改进型蚁群算法的微网容量优化布址方法
【专利摘要】基于改进型蚁群算法的微网容量优化布址方法，包括以下步骤：搭建含蓄电池站的风光发电孤岛微网模型，作为研究基于改进型蚁群算法的微网容量优化布址方法的仿真模型；构建微网容量优化布址的多目标模型，确定微网综合运行目标函数；设计改进蚁群算法实现对多目标模型的求解。
【专利说明】基于改进型蚁群算法的微网容量优化布址方法
【技术领域】
[0001]本发明项目涉及一种微网容量优化布址方法，特别是一种基于改进型蚁群算法的微网容量优化布址方法。
【背景技术】
[0002]目前，微网的容量优化布址一直是微网建设的重大难题。微网的微源分布不合理，会对线路或者用户用电造成一定影响，同时外部环境也会影响到微源的发电性能。目前，一些智能优化算法已被应用于解决这一难题，如粒子群算法、遗传算法及差分进化算法等。然而，粒子群算法在处理微源布址等离散问题时容易陷入局部最优解；遗传算法容易早熟，可靠性较差；差分进化算法在迭代后期收敛速度较慢。相比而言，蚁群算法具有信息正反馈机制、分布式计算及强启发等优点，适合微源布址定容这类多变量、条件相互制约的NP难问题的求解。传统蚁群算法在对微网容量优化布址问题进行求解时收敛精度以及速度仍不能达到理想的要求，因此，本发明对传统的蚁群算法进行了改进，使其能够更好地应用于解决微网容量优化布址问题，快速确定微网系统中每个节点应放的微源种类及微源和蓄电池个数，从而实现对系统电能的合理配置，在保证系统供电可靠和低能量剩余率的前提下，使系统运行的经济成本最小。而目前，对于基于改进型蚁群算法的微网容量优化布址方法研究尚未出现，本发明针对这一方法进行了研究。
【发明内容】
[0003]本发明在传统蚁群算法的基础上进行改进，尤其是在信息素矩阵控制以及算法参数因子调整等方面，提出了一种基于改进型蚁群算法的微网容量优化布址方法。
[0004]基于改进型蚁群算法的微网容量优化布址方法，包括以下步骤:
[0005]I)、搭建含蓄电池站的风光发电孤岛微网模型，作为研究基于改进型蚁群算法的微网容量优化布址方法的仿真模型；
[0006]2)、构建微网容量优化布址的多目标模型，确定微网综合运行目标函数。
[0007]3)、设计改进蚁群算法实现对多目标模型的求解。
[0008]进一步，步骤(I)中微网系统构建的微源模型如下:
[0009]1-1)、利用Weibull分布对风速进行处理，建立风机的数学模型；
[0010]1-2)、利用Beta分布对光照进行处理,建立光伏电池板的数学模型；
[0011]1-3 )、利用荷电状态(SOC)的参数对蓄电池充放电建立数学模型，结合相关参数对蓄电池充放电的效率进行评估；
[0012]进一步，步骤(2)可有以下几个步骤组成:
[0013]2-1)、设计构建微网运行经济成本函数:成本函数中主要包括设备的投资成本、运行维护费用和蓄电池的重置费用，评估时间定义为一年(8760h);
[0014]2-2)、设计微网系统运行的可靠性指标:本发明采用系统负载供电率RLPS对系统的可靠性进行评价，负载供电率表示评估期内系统能满足负荷需求的概率，微网系统的可靠性越高其对应的负载供电率RLPS就越大。
[0015]2-3)、设计微网系统运行的能量剩余率，定义为评估时间内系统浪费的能量占系统总负荷的比例，能量利用率越高的系统对应的系统能量过剩率EER就越低。
[0016]进一步，步骤(3)中改进型蚁群算法的具体步骤如下:
[0017]3-1)、设置改进型蚁群算法的基本参数，并初始化信息素矩阵；
[0018]3-2)、将布址方案作为蚂蚁的觅食路径，目标函数作为蚂蚁爬行的路障，让蚂蚁根据环境中信息素的量结合对应的概率计算方法，选择爬行路线进行觅食，即构建搜索禁忌表矩阵。其中，方案所得目标函数的值越优，则对蚂蚁爬行的路障越小，那么该方案就越优；
[0019]3-3)、将本次迭代中目标值最优的路径作为本次迭代的最优路径，将最优路径保存下来，并作为下一次迭代的一条备选路径；
[0020]3-4)、对于路障较小的路径，会有较多的蚂蚁爬行，则对应的路径中信息素的含量会较高，因此可以根据相应的信息素更新规律更新各条路径的信息素；
[0021 ] 3-5)、重复执打步骤(3-2)到(3-4)。
[0022]进一步，对于步骤(3-1)，改进型蚁群算法的基本参数设置如下:
[0023]Al)、信息素的最大限制量Taumax和最小限制量Taumin:用以防止信息素因过强的正反馈而出现过早的收敛；
[0024]A2)、信息素启发因子α:反映信息素的重要性，反映蚂蚁在运动过程中所累积的信息素在指导蚁群搜索中的相对重要程度；
[0025]A3)、期望启发因子β:反映了启发式信息在指导蚁群搜索过程中的相对重要程度，其大小反映了蚁群寻优的过程中的先验性，确定性因素的作用强度；
[0026]Α4)、α、β随时间变化的变化率ζ 1； ζ2:用以控制各次迭代中α、β的值，改善算法过早收敛和收敛后精度不高的缺点，实现算法的自适应性；
[0027]进一步，对于步骤(3-2)，其实现过程主要分为以下两步:
[0028]Al)、信息素矩阵Tau的构建。信息素是蚂蚁选择路径的重要依据，信息素矩阵为一个(2*η+?rρπι的矩阵，其中每一个元素为对应节点选择对应类型分布式电源的信息素量。其中，η为需要布址的节点数，信息素矩阵的行数即为风机需要布址的节点数、光伏需要布址的节点数以及蓄电池站之和(系统中设置蓄电池站的数量为1)，即(2*η+1)，信息素矩阵的列数为最大允许的分布式电源的数量
【权利要求】
1.基于改进型蚁群算法的微网容量优化布址方法，包括以下步骤: 1)、搭建含蓄电池站的风光发电孤岛微网模型，作为研究基于改进型蚁群算法的微网容量优化布址方法的仿真模型； 2)、构建微网容量优化布址的多目标模型，确定微网综合运行目标函数。 3)、设计改进蚁群算法实现对多目标模型的求解。
2.如权利要求1所述的方法，其特征在于:步骤(1)中微网系统构建的微源模型如下: 1-1)、利用Weibull分布对风速进行处理，建立风机的数学模型； 1-2)、利用Be ta分布对光照进行处理，建立光伏电池板的数学模型； 1-3)、利用荷电状态(SOC)的参数对蓄电池充放电建立数学模型，结合相关参数对蓄电池充放电的效率进行评估。
3.如权利要求1所述的方法，其特征在于:步骤(2)可有以下几个步骤组成: 2-1)、设计构建微网运行经济成本函数:成本函数中主要包括设备的投资成本、运行维护费用和蓄电池的重置费用，评估时间定义为一年(8760h)； 2-2)、设计微网系统运行的可靠性指标:本发明采用系统负载供电率RLPS对系统的可靠性进行评价，负载供电率表示评估期内系统能满足负荷需求的概率，微网系统的可靠性越高其对应的负载供电率RLPS就越大。 2-3)、设计微网系统运行的能量剩余率，定义为评估时间内系统浪费的能量占系统总负荷的比例，能量利用率越高的系统对应的系统能量过剩率EER就越低。
4.如权利要求1所述的方法，其特征在于:步骤(3)中改进型蚁群算法的具体步骤如下: 3-1)、设置改进型蚁群算法的基本参数，并初始化信息素矩阵； 3-2)、将布址方案作为蚂蚁的觅食路径，目标函数作为蚂蚁爬行的路障，让蚂蚁根据环境中信息素的量结合对应的概率计算方法，选择爬行路线进行觅食，即构建搜索禁忌表矩阵。其中，方案所得目标函数的值越优，则对蚂蚁爬行的路障越小，那么该方案就越优；3-3)、将本次迭代中目标值最优的路径作为本次迭代的最优路径，将最优路径保存下来，并作为下一次迭代的一条备选路径； 3-4)、对于路障较小的路径，会有较多的蚂蚁爬行，则对应的路径中信息素的含量会较高，因此可以根据相应的信息素更新规律更新各条路径的信息素； 3-5)、重复执行步骤(3-2)到(3-4)。
5.如权利要求4所述的方法，其特征在于:对于步骤(3-1)，改进型蚁群算法的基本参数设置如下: Al)、信息素的最大限制量Taumax和最小限制量Taumin:用以防止信息素因过强的正反馈而出现过早的收敛； A2)、信息素启发因子α:反映信息素的重要性，反映蚂蚁在运动过程中所累积的信息素在指导蚁群搜索中的相对重要程度； A3)、期望启发因子β:反映了启发式信息在指导蚁群搜索过程中的相对重要程度，其大小反映了蚁群寻优的过程中的先验性，确定性因素的作用强度； Α4)、α、β随时间变化的变化率ζ 1； ζ2:用以控制各次迭代中α、β的值，改善算法过早收敛和收敛后精度不高的缺点，实现算法的自适应性。
6.如权利要求4所述的方法，其特征在于:对于步骤(3-2)，其实现过程主要分为以下两步: Al)、信息素矩阵Tau的构建。信息素是蚂蚁选择路径的重要依据，信息素矩阵为一个(2*n+l)*pm的矩阵，其中每一个元素为对应节点选择对应类型分布式电源的信息素量。其中，η为需要布址的节点数，信息素矩阵的行数即为风机需要布址的节点数、光伏需要布址的节点数以及蓄电池站之和(系统中设置蓄电池站的数量为1)，即(2*η+1)，信息素矩阵的列数为最大允许的分布式电源的数量
7.如权利要求4所述的方法，其特征在于:所述的步骤(3-4)中信息素的更新公式为
【文档编号】H02J3/00GK103914734SQ201410105397
【公开日】2014年7月9日 申请日期:2014年3月20日 优先权日:2014年3月20日
【发明者】王雪锋, 王肖杰, 张颖, 陈骏宇, 龚余峰, 王晶, 骆旭伟 申请人:浙江工业大学