一种容量优化配置方法和装置

1.本发明主要涉及容量优化技术领域，具体涉及一种容量优化配置方法和装置。


背景技术：

2.直流微电网以其线路损耗小、转换效率高、控制简单等特点，成为了新型电力系统的一个重要发展方向。合理配置直流微电网系统的分布式发电单元和储能装置容量，是直流微电网系统安全经济运行、高效利用分布式能源的前提。
3.直流微电网的容量优化配置问题存在着非线性、高维度、多峰值、约束条件复杂等特点，传统的优化方法难以对其进行求解，而基于仿生学的元启发式智能算法可以有效解决这类复杂的优化问题，具有灵活性好、鲁棒性强、求解速度快等特点，因此受到学者们的关注成为研究的热点。随着元启发式智能算法的深入研究，新型元启发式智能算法不断被提出，而在众多元启发式智能算法中，麻雀搜索算法(ssa)凭借其优异的寻优性能被广泛应用。
4.在ssa应用于求解各类优化问题时，许多学者发现ssa面对所求问题的解较小或者解趋近于零时的寻优性能非常优越，具有收敛速度快、收敛精度高的特点；但是在面对非零解时的寻优效果不佳，容易陷入局部最优解，寻优精度较差。而微电网的容量优化的解为非零解，使用ssa求解会导致寻优精度不高，从而导致微电网的经济性和稳定性不佳。


技术实现要素：

5.本发明所要解决的技术问题是针对现有技术的不足，提供一种容量优化配置方法和装置。
6.本发明解决上述技术问题的技术方案如下：一种容量优化配置方法，包括如下步骤：
7.s1：导入原始微源容量数据，并分别对各个所述原始微源容量数据进行适应度值的计算，得到与各个所述原始微源容量数据对应的原始适应度值；
8.s2：根据所有原始适应度值对应的最大值和最小值划分所有原始微源容量数据，得到最差微源容量数据和第一最优微源容量数据；
9.根据所有原始适应度值对应的排列顺序划分所有原始微源容量数据，得到多个第一类别微源容量数据和多个第二类别微源容量数据，并将所有第一类别微源容量数据均作为发现者，并将所有第二类别微源容量数据均作为跟随者；
10.s3：根据所述最差微源容量数据和所述第一最优微源容量数据对所有的发现者和所有的跟随者进行随机筛选处理，得到多个筛选后的微源容量数据，并将所有筛选后的微源容量数据均作为警戒者；
11.s4:对所有的发现者、所有的跟随者和所有的警戒者进行变异分析，得到与各个所述发现者对应的第一目标适应度值、与各个所述跟随者对应的第二目标适应度值以及与各个所述警戒者对应的第三目标适应度值；
12.s5：对所有的第一目标适应度值、所有的第二目标适应度值以及所有的第三目标适应度值进行最小值筛选处理，得到最小目标适应度值，并将所述最小目标适应度值对应的发现者或跟随者或警戒者作为优化配置结果。
13.本发明解决上述技术问题的另一技术方案如下：一种容量优化配置装置，包括：
14.适应度值计算模块，用于导入原始微源容量数据，并分别对各个所述原始微源容量数据进行适应度值的计算，得到与各个所述原始微源容量数据对应的原始适应度值；
15.数据划分模块，用于根据所有原始适应度值对应的最大值和最小值划分所有原始微源容量数据，得到最差微源容量数据和第一最优微源容量数据；
16.根据所有原始适应度值对应的排列顺序划分所有原始微源容量数据，得到多个第一类别微源容量数据和多个第二类别微源容量数据，并将所有第一类别微源容量数据均作为发现者，并将所有第二类别微源容量数据均作为跟随者；
17.随机筛选模块，用于根据所述最差微源容量数据和所述第一最优微源容量数据对所有的发现者和所有的跟随者进行随机筛选处理，得到多个筛选后的微源容量数据，并将所有筛选后的微源容量数据均作为警戒者；
18.变异分析模块，用于对所有的发现者、所有的跟随者和所有的警戒者进行变异分析，得到与各个所述发现者对应的第一目标适应度值、与各个所述跟随者对应的第二目标适应度值以及与各个所述警戒者对应的第三目标适应度值；
19.优化配置结果获得模块，用于对所有的第一目标适应度值、所有的第二目标适应度值以及所有的第三目标适应度值进行最小值筛选处理，得到最小目标适应度值，并将所述最小目标适应度值对应的发现者或跟随者或警戒者作为优化配置结果。
20.本发明解决上述技术问题的另一技术方案如下：一种容量优化配置装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，当所述处理器执行所述计算机程序时，实现如上所述的容量优化配置方法。
21.本发明解决上述技术问题的另一技术方案如下：一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被处理器执行时，实现如上所述的容量优化配置方法。
22.本发明的有益效果是：通过分别对原始微源容量数据的适应度值计算得到原始适应度值，根据原始适应度值对应的最大值和最小值划分原始微源容量数据得到最差微源容量数据和第一最优微源容量数据，根据原始适应度值对应的排列顺序划分原始微源容量数据得到发现者和跟随者，根据最差微源容量数据和第一最优微源容量数据对发现者和跟随者的随机筛选处理得到警戒者，对发现者、跟随者和警戒者的变异分析得到第一目标适应度值、第二目标适应度值以及第三目标适应度值，增加了寻优的精度，扩大了搜索范围，避免了陷入零解的局部最优，增加了种群的多样性，提高了种群跳出局部最优的能力，能够得到经济性更优，稳定性更高的配置结果。
附图说明
23.图1为本发明实施例提供的一种容量优化配置方法的流程示意图；
24.图2为本发明实施例提供的一种容量优化配置装置的模块框图。
具体实施方式
25.以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
26.图1为本发明实施例提供的一种容量优化配置方法的流程示意图。
27.如图1所示，一种容量优化配置方法，包括如下步骤：
28.s1：导入原始微源容量数据，并分别对各个所述原始微源容量数据进行适应度值的计算，得到与各个所述原始微源容量数据对应的原始适应度值；
29.s2：根据所有原始适应度值对应的最大值和最小值划分所有原始微源容量数据，得到最差微源容量数据和第一最优微源容量数据；
30.根据所有原始适应度值对应的排列顺序划分所有原始微源容量数据，得到多个第一类别微源容量数据和多个第二类别微源容量数据，并将所有第一类别微源容量数据均作为发现者，并将所有第二类别微源容量数据均作为跟随者；
31.s3：根据所述最差微源容量数据和所述第一最优微源容量数据对所有的发现者和所有的跟随者进行随机筛选处理，得到多个筛选后的微源容量数据，并将所有筛选后的微源容量数据均作为警戒者；
32.s4:对所有的发现者、所有的跟随者和所有的警戒者进行变异分析，得到与各个所述发现者对应的第一目标适应度值、与各个所述跟随者对应的第二目标适应度值以及与各个所述警戒者对应的第三目标适应度值；
33.s5：对所有的第一目标适应度值、所有的第二目标适应度值以及所有的第三目标适应度值进行最小值筛选处理，得到最小目标适应度值，并将所述最小目标适应度值对应的发现者或跟随者或警戒者作为优化配置结果。
34.应理解地，初始化种群，就是初始化种群每只麻雀的位置信息，即变量[n
wt n
pv n
bat
](即原始微源容量数据)。
[0035]
具体地，为了得到分布更加均匀的初始种群，采用tent映射产生混沌序列来初始化种群。其中，tent映射的迭代公式如下：
[0036][0037]
式中，i为迭代次数，α为常数0.3，zi为混沌序列。
[0038]
将得到的混沌序列用于初始化种群，公式如下：
[0039]
xi＝lb+(u
b-lb)
·
zi[0040]
式中，xi为第i只麻雀的位置，lb为变量的边界下限，ub为变量的边界上限，zi为混沌序列。
[0041]
应理解地，本发明在ssa算法的基础上结合tent混沌映射、螺旋搜索、levy随机步长及正态分布的变异扰动四种策略，扩大了种群的搜索范围，丰富了种群的多样性，避免了种群在非零解问题求解时陷入局部最优的情况，提高了算法的搜索的寻优精度。
[0042]
上述实施例中，通过分别对原始微源容量数据的适应度值计算得到原始适应度值，根据原始适应度值对应的最大值和最小值划分原始微源容量数据得到最差微源容量数
据和第一最优微源容量数据，根据原始适应度值对应的排列顺序划分原始微源容量数据得到发现者和跟随者，根据最差微源容量数据和第一最优微源容量数据对发现者和跟随者的随机筛选处理得到警戒者，对发现者、跟随者和警戒者的变异分析得到第一目标适应度值、第二目标适应度值以及第三目标适应度值，增加了寻优的精度，扩大了搜索范围，避免了陷入零解的局部最优，增加了种群的多样性，提高了种群跳出局部最优的能力，能够得到经济性更优，稳定性更高的配置结果。
[0043]
可选地，作为本发明的一个实施例，所述步骤s1中，分别对各个所述原始微源容量数据进行适应度值的计算，得到与各个所述原始微源容量数据对应的原始适应度值的过程包括：
[0044]
导入设备型号数据、气象数据和负荷消耗功率，并构建出力模型，根据所述设备型号数据、所述原始微源容量数据和所述气象数据对所述出力模型进行功率分析，得到电源输出功率；
[0045]
通过所述电源输出功率、所述原始微源容量数据、所述设备型号数据和所述负荷消耗功率进行调度策略分析得到电价成本数据、负荷失电率和能量过剩率；
[0046]
通过第一式对所述负荷失电率和所述能量过剩率进行功率偏差率的计算，得到功率偏差率，所述第一式为：
[0047][0048]
其中，pdr为功率偏差率，lpsp(t)为第t时刻的负荷失电率，ewr(t)为第t时刻的能量过剩率；
[0049]
对所述原始微源容量数据、所述设备型号数据和所述电价成本数据进行年平均综合成本的分析，得到年平均综合成本；
[0050]
通过第二式对所述功率偏差率和所述年平均综合成本进行原始适应度值的计算，得到原始适应度值，所述第二式为：
[0051]
minf＝λ1c
act
+λ2pdr，
[0052]
其中，minf为原始适应度值，c
act
为年平均综合成本，pdr为功率偏差率，λ1和λ2均为权重系数。
[0053]
应理解地，功率偏差率：
[0054]
应理解地，目标函数(即所述原始适应度值)：min f＝λ1c
act
+λ2pdr，
[0055]cact
为年平均综合成本；pdr为功率偏差率；λ1、λ2为权重系数。
[0056]
具体地，建立年平均综合成本和功率偏差率为目标的直流微电网容量优化配置模型，并能够根据负荷状态和蓄电池状态进行来划分不同的调度策略，实际模拟微电网系统运行，并计算出最终最优容量配置方案，配置精度高。
[0057]
上述实施例中，分别对各个原始微源容量数据的适应度值计算得到原始适应度值，能够根据负荷状态和蓄电池状态进行来划分不同的调度策略,提高了算法的搜索的寻优精度，能够让配置方案的配置精度高。
[0058]
可选地，作为本发明的一个实施例，所述设备型号数据包括风力发电机切入风速、
风力发电机切除风速、机组额定功率、风力发电机额定风速和光伏电池标况下额定输出功率，所述气象数据包括风速、光照强度和表层温度，所述原始微源容量数据包括风力发电机数量和光伏电池组数量；
[0059]
所述构建出力模型，根据所述设备型号数据、所述原始微源容量数据和所述气象数据对所述出力模型进行功率分析，得到电源输出功率的过程包括：
[0060]
通过第三式对所述风力发电机数量、所述风速、所述风力发电机切入风速、所述风力发电机切除风速、所述机组额定功率和所述风力发电机额定风速进行风力输出功率的计算，得到风力输出功率，所述第三式为：
[0061][0062]
其中，p
wt
为风力输出功率，v为风速，n
wt
为风力发电机数量，v
ci
为风力发电机切入风速，v
co
为风力发电机切除风速，pr为机组额定功率，vr为风力发电机额定风速；
[0063]
通过第四式对所述光伏电池组数量、所述光伏电池标况下额定输出功率、所述光照强度和所述表层温度进行光伏输出功率的计算，得到光伏输出功率，所述第四式为：
[0064][0065]
其中，p
pv
为光伏输出功率，n
pv
为光伏电池组数量，p
stc
为光伏电池标况下额定输出功率，gc为光照强度，g
stc
为预设标况下光照强度，k为预设功率温度系数，tc为表层温度，t
stc
为预设标况下的温度；
[0066]
根据所述风力输出功率和所述光伏输出功率得到电源输出功率。
[0067]
具体地，出力模型如下：
[0068]
(1)风电单元出力模型
[0069][0070]
其中，n
wt
为风机数量，v
ci
为风力发电机的切入风速，v
co
为风力发电机的切除风速，pr为机组的额定功率，vr为风力发电机的额定风速。
[0071]
(2)光伏单元出力模型
[0072][0073]
其中n
pv
为光伏板的数量，p
stc
为光伏电池标况下额定输出功率，gc为光照强度，g
stc
为标况下光照强度(常量)，k为功率温度系数(常量)，tc为表层温度，t
stc
为标况下的温度(常量)。
[0074]
应理解地，所述原始微源容量数据约束分别为：0≤n
wt
≤n
wtmax
，0≤n
pv
≤n
pvmax
。
[0075]
上述实施例中，通过设备型号数据、原始微源容量数据和气象数据对出力模型的功率分析得到电源输出功率，为后续数据处理提供有效的数据，提高了算法的搜索的寻优精度，能够让配置方案的配置精度高。
[0076]
可选地，作为本发明的一个实施例，所述风力输出功率包括各个时刻的风力输出子功率，所述光伏输出功率包括各个所述时刻的光伏输出子功率，所述负荷消耗功率包括各个所述时刻的负荷消耗子功率，所述设备型号数据还包括蓄电池额定容量，所述原始微源容量数据还包括蓄电池组数量；
[0077]
所述通过所述电源输出功率、所述原始微源容量数据、所述设备型号数据和所述负荷消耗功率进行调度策略分析得到电价成本数据、负荷失电率和能量过剩率的过程包括：
[0078]
s121：通过第五式分别对各个所述风力输出子功率、各个所述时刻的光伏输出子功率以及各个所述时刻的负荷消耗子功率进行原始不平衡功率的计算，得到与各个所述时刻对应的原始不平衡功率，所述第五式为：
[0079]
δp(t)＝p
wt
(t)+p
pv
(t)-p
load
(t)，
[0080]
其中，p
wt
(t)为第t时刻的光伏输出子功率，p
pv
(t)为第t时刻的风力输出子功率，p
load
(t)为第t时刻的负荷消耗子功率，δp(t)为第t时刻的原始不平衡功率；
[0081]
s122：按照时刻顺序依次对各个所述原始不平衡功率进行判断，从而得到各个所述时刻的负荷失电率、各个所述时刻的能量过剩率、各个所述时刻的购电费用和各个所述时刻的售电费用，并根据各个所述时刻的购电费用和各个所述时刻的售电费用得到各个所述时刻的电价成本数据，具体为：
[0082]
s1221：若所述原始不平衡功率等于预设功率，则将第一预设值分别作为当前时刻的购电费用、当前时刻的售电费用、当前时刻的负荷失电率以及当前时刻的能量过剩率，执行步骤s12216；
[0083]
若所述原始不平衡功率小于所述预设功率，执行步骤s1222；
[0084]
若所述原始不平衡功率大于所述预设功率，执行步骤s1229；
[0085]
s1222：导入当前时刻的蓄电池剩余电量，并判断当前时刻的蓄电池剩余电量是否大于预设蓄电池剩余最小电量，若是，执行步骤s1223；若否，执行步骤s1226；
[0086]
s1223：通过第六式对当前时刻的风力输出子功率、当前时刻的光伏输出子功率、所述蓄电池组数量、所述蓄电池额定容量、当前时刻的蓄电池剩余电量以及当前时刻的负荷消耗子功率进行放电后不平衡功率的计算，得到放电后不平衡功率，执行步骤s1224，所述第六式为：
[0087]
δp1(t)＝p
wt
(t)+p
pv
(t)+p
dhmax
(t)-p
load
(t)，
[0088]
其中，
[0089]
其中，p
wt
(t)为第t时刻的光伏输出子功率，p
pv
(t)为第t时刻的风力输出子功率，p
load
(t)为第t时刻的负荷消耗子功率，δp1(t)为第t时刻的放电后不平衡功率，p
dhmax
(t)为第t时刻的最大放电功率，0≤n
bat
≤n
batmax
，n
bat
为蓄电池组数量，soc(t)为第t时刻的蓄电池剩余电量，soc
min
为蓄电池最小剩余电量，为蓄电池额定容量，v
bat
(t)为第t时刻的蓄电
池端电压，为单位时间内允许的最大放电电流；
[0090]
s1224：判断所述放电后不平衡功率是否大于或等于所述预设功率，若是，控制蓄电池进行放电，并通过第七式对所述蓄电池额定容量、当前时刻的原始不平衡功率和当前时刻的蓄电池剩余电量进行第一放电后蓄电池剩余电量的计算，得到当前时刻的第一放电后蓄电池剩余电量，并将当前时刻的第一放电后蓄电池剩余电量作为下一时刻的蓄电池剩余电量，并将所述第一预设值分别作为当前时刻的购电费用、当前时刻的售电费用、当前时刻的负荷失电率以及当前时刻的能量过剩率，执行步骤s12216，所述第七式为：
[0091][0092]
其中，soc(t)为第t时刻的蓄电池剩余电量，σ为蓄电池自放电系数，δt为放电时间，η
dh
为蓄电池放电效率，为蓄电池额定容量，soc为蓄电池剩余电量的百分比，soc1(t+δt)为第t时刻的第一放电后蓄电池剩余电量，δp(t)为第t时刻的原始不平衡功率；
[0093]
若否，执行步骤s1225；
[0094]
s1225：控制所述蓄电池进行放电，并通过第八式对所述蓄电池额定容量、当前时刻的最大放电功率和当前时刻的蓄电池剩余电量进行第二放电后蓄电池剩余电量的计算，得到当前时刻的第二放电后蓄电池剩余电量，并将当前时刻的第二放电后蓄电池剩余电量作为下一时刻的蓄电池剩余电量，执行步骤s1226，所述第八式为：
[0095][0096]
其中，soc(t)为第t时刻的蓄电池剩余电量，σ为蓄电池自放电系数，δt为放电时间，η
dh
为蓄电池放电效率，为蓄电池额定容量，soc为蓄电池剩余电量的百分比，soc2(t+δt)为第t时刻的第二放电后蓄电池剩余电量，p
dhmax
(t)为第t时刻的最大放电功率；
[0097]
s1226：导入当前时刻的购电价格和当前时刻的电网购买功率，通过第九式对当前时刻的购电价格和当前时刻的电网购买功率进行购电费用的计算，得到当前时刻的购电费用，执行步骤s1227，所述第九式为：
[0098]cbuy
(t)＝k
buy
(t)*p
buy
(t)，
[0099]
其中，c
buy
(t)为第t时刻的购电费用，k
buy
(t)为第t时刻的购电价格，p
buy
(t)为第t时刻的电网购买功率；
[0100]
s1227：判断当前时刻的电网购买功率是否大于预设联络线最大输送功率，若是，执行步骤s1228，若否，则将所述第一预设值分别作为当前时刻的售电费用、当前时刻的负荷失电率以及当前时刻的能量过剩率，执行步骤s12216；
[0101]
s1228：通过第十式对当前时刻的风力输出子功率、当前时刻的光伏输出子功率、当前时刻的负荷消耗子功率以及当前时刻的最大放电功率进行负荷失电率的计算，得到当前时刻的负荷失电率，所述第十式为：
[0102][0103]
其中，lpsp(t)为第t时刻的负荷失电率，p
wt
(t)为第t时刻的光伏输出子功率，p
pv
(t)为第t时刻的风力输出子功率，p
load
(t)为第t时刻的负荷消耗功率，p
dhmax
(t)为第t时刻的最大放电功率，p
gccmax
为预设联络线最大输送功率，
[0104]
并将所述第一预设值分别作为当前时刻的售电费用以及当前时刻的能量过剩率，执行步骤s12216；
[0105]
s1229：导入当前时刻的蓄电池剩余电量，并判断当前时刻的蓄电池剩余电量是否小于预设蓄电池剩余最大电量，若是，执行步骤s12210；若否，执行步骤s12213；
[0106]
s12210：通过第十一式对当前时刻的风力输出子功率、当前时刻的光伏输出子功率、所述蓄电池组数量、所述蓄电池额定容量、当前时刻的蓄电池剩余电量以及当前时刻的负荷消耗子功率进行充电后不平衡功率的计算，得到充电后不平衡功率，执行步骤s12211，所述第十一式为：
[0107]
δp2＝p
wt
(t)+p
pv
(t)-p
chmax
(t)-p
load
(t)，
[0108]
其中，
[0109]
其中，p
wt
(t)为第t时刻的光伏输出子功率，p
pv
(t)为第t时刻的风力输出子功率，p
load
(t)为第t时刻的负荷消耗子功率，δp2(t)为第t时刻的充电后不平衡功率，p
chmax
(t)为第t时刻的最大充电功率，n
bat
为蓄电池组数量，soc(t)为第t时刻的蓄电池剩余电量，soc
max
为蓄电池最大剩余电量，为蓄电池额定容量，v
bat
(t)为第t时刻的蓄电池端电压，为单位时间内允许的最大充电电流；
[0110]
s12211：判断所述充电后不平衡功率是否小于或等于所述预设功率，若是，控制所述蓄电池进行充电，并通过第十二式对所述蓄电池额定容量、当前时刻的原始不平衡功率和当前时刻的蓄电池剩余电量进行第一充电后蓄电池剩余电量的计算，得到当前时刻的第一充电后蓄电池剩余电量，并将当前时刻的第一充电后蓄电池剩余电量作为下一时刻的蓄电池剩余电量，并将所述第一预设值分别作为当前时刻的购电费用、当前时刻的售电费用、当前时刻的负荷失电率以及当前时刻的能量过剩率，执行步骤s12216，所述第十二式为：
[0111][0112]
其中，soc(t)为第t时刻的蓄电池剩余电量，σ为蓄电池自放电系数，δt为充电时间，η
ch
为蓄电池充电效率，为蓄电池额定容量，soc为蓄电池剩余电量的百分比，soc1'(t+δt)为第t时刻的第一充电后蓄电池剩余电量，δp(t)为第t时刻的原始不平衡功率；
[0113]
若否，执行步骤s12212；
[0114]
s12212：控制所述蓄电池进行充电，并通过第十三式对所述蓄电池额定容量、当前时刻的最大充电功率和当前时刻的蓄电池剩余电量进行第二充电后蓄电池剩余电量的计算，得到当前时刻的第二充电后蓄电池剩余电量，并将当前时刻的第二充电后蓄电池剩余电量作为下一时刻的蓄电池剩余电量，执行步骤s12213，所述第十三式为：
[0115][0116]
其中，soc(t)为第t时刻的蓄电池剩余电量，σ为蓄电池自放电系数，δt为充电时
间，η
ch
为蓄电池充电效率，为蓄电池额定容量，soc为蓄电池剩余电量的百分比，soc2'(t+δt)为第t时刻的第二充电后蓄电池剩余电量，p
chmax
(t)为第t时刻的最大充电功率；
[0117]
s12213：导入当前时刻的售电价格和当前时刻的电网输送功率，通过第十四式对当前时刻的售电价格和当前时刻的电网输送功率进行售电费用的计算，得到当前时刻的售电费用，执行步骤122214，所述第十四式为：
[0118]csell
(t)＝k
sell
(t)*p
sell
(t)，
[0119]
其中，c
sell
(t)为第t时刻的售电费用，k
sell
(t)为第t时刻的售电价格，p
sell
(t)为第t时刻的电网输送功率；
[0120]
s12214：判断当前时刻的电网输送功率是否大于预设联络线最大输送功率，若是，执行步骤s12215，若否，将所述第一预设值分别作为当前时刻的购电费用、当前时刻的负荷失电率以及当前时刻的能量过剩率，执行步骤s12216；
[0121]
s12215：通过第十五式对当前时刻的风力输出子功率、当前时刻的光伏输出子功率、当前时刻的负荷消耗子功率以及当前时刻的最大充电功率进行负荷失电率的计算，得到当前时刻的能量过剩率，并将所述第一预设值分别作为当前时刻的购电费用以及当前时刻的负荷失电率，执行步骤s12216，所述第十五式为：
[0122][0123]
其中，ewr(t)为第t时刻的能量过剩率，p
wt
(t)为第t时刻的光伏输出子功率，p
pv
(t)为第t时刻的风力输出子功率，p
load
(t)为第t时刻的负荷消耗子功率，p
chmax
(t)为第t时刻的最大充电功率，p
gccmax
为预设联络线最大输送功率；
[0124]
s12216：判断当前时刻是否等于预设停止时刻，若是，得到各个所述时刻的负荷失电率、各个所述时刻的能量过剩率、各个所述时刻的购电费用和各个所述时刻的售电费用；若否，返回步骤s1221。
[0125]
优选地，所述预设功率可以为0，所述第一预设值可以为0，所述预设停止时刻可以为8760。
[0126]
应理解地，蓄电池单位时间充、放电后的荷电状态表达式：
[0127][0128][0129]
式中，σ＝0.01为蓄电池自放电系数，η
ch
＝0.85为蓄电池的充电效率，η
dh
＝1为蓄电池的放电效率，为蓄电池额定容量。soc表示蓄电池剩余电量的百分比，这里计算的是充放电1个小时(δt＝1)之后的剩余电量值，soc(t)表示的是充电之前的剩余电量，soc(t+δt)表示的就是充放电1个小时之后的剩余电量值，计算这个的目的就是为了知道蓄电池的剩余电量还剩多少，以此来判断是否可以对其进行充放电。
[0130]
应理解地，荷电状态约束为：10％≤soc≤90％。
[0131]
应理解地，负荷失电率：
[0132]
式中，p
lack
(t)——t时刻负荷缺额功率；p
load
(t)——t时刻负荷消耗功率。
[0133]
能量过剩率：
[0134]
式中，p
over
(t)——t时刻直流微电网盈余功率。
[0135]
应理解地，充放电约束为：
[0136][0137][0138]
式中，v
bat
为蓄电池端电压。和分别为单位时间内允许的最大充电和放电电流，一般规定其不超过蓄电池额定容量的20％。
[0139]
应理解地，负荷失电和能量过剩约束为：
[0140]
lpsp≤lpsp(max)
[0141]
ewr≤ewr(max)。
[0142]
应理解地，联络线输送功率约束为：-p
gccmax
≤p
gcc
≤p
gccmax
。
[0143]
具体地，公式里面的购电费用c
buy
＝k
buy
*p
buy
、售电费用c
sell
＝k
sell
*p
sell
、能量过剩率ewr和负荷失电率lpsp均是通过迭代计算的：
[0144]
步骤s121至步骤s122的整个流程如下：
[0145]
首先获取风机(即所述风力发电机数量)和苏搜光伏电池组数量，根据气象数据计算分布式电源的输出功率，然后计算出不平衡功率(即所述原始不平衡功率)为：
[0146]
δp(t)＝p
wt
(t)+p
pv
(t)-p
load
(t)
[0147]
这里的p
load
(t)为输入的负荷年度数据(即所述负荷消耗子功率)。
[0148]
若δp＝0,说明系统功率达到平衡，购电费用cbuy(t)、售电费用csell(t)、负荷失电率lpsp(t)和能量过剩率ewr(t)都为0；
[0149]
若δp(t)＜0，说明分布式电源输出的功率缺额，当soc(t)》soc
min
，通过蓄电池放电来保持功率平衡。若蓄电池以最大放电功率p
dhmax
进行放电仍无法保持功率平衡(即所述放电后不平衡功率小于所述预设功率)，即δp＝p
wt
(t)+p
pv
(t)-p
dhmax-p
load
(t)＜0，则需从电网购电，计算购电费用c
buy
(t)＝k
buy
(t)*p
buy
(t)。若购电功率(即所述电网购买功率)大于联络线最大输送功率p
gccmax
(即所述预设联络线最大输送功率)，这时δp＝p
wt
(t)+p
pv
(t)+p
dhmax
+p
gccmax-p
load
(t)＜0，则需计算负荷失电率lpsp(t)；
[0150]
若soc(t)≤soc
min
，则需从电网购电，计算购电费用c
buy
(t)。若购电功率(即所述电网购买功率)大于联络线最大输送功率p
gccmax
(即所述预设联络线最大输送功率)，则需计算负荷失电率lpsp(t)；
[0151]
若δp(t)＞0，说明分布式电源输出的功率盈余，当soc(t)《soc
max
，通过蓄电池充电来保持功率平衡。若蓄电池以最大充电功率p
chmax
进行放电仍无法保持功率平衡(即所述充电后不平衡功率大于所述预设功率)，即δp＝p
wt
(t)+p
pv
(t)-p
chmax-p
load
(t)＞0，则需向电网售电，计算售电费用c
sell
(t)＝k
sell
*p
sell
。若售电电功率(即所述电网输送功率)大于联
络线最大输送功率p
gccmax
(即所述预设联络线最大输送功率)，δp＝p
wt
(t)+p
pv
(t)-p
gccmax-p
chmax-p
load
(t)＞0，则需计算能量过剩率ewr(t)；
[0152]
若soc(t)≥soc
max
，则需从电网售电，计算售电费用c
sell
(t)。若购售电功率(即所述电网输送功率)大于联络线最大输送功率p
gccmax
(即所述预设联络线最大输送功率)，则需计算负荷失电率ewr(t)。
[0153]
上述实施例中，通过电源输出功率、原始微源容量数据、设备型号数据和负荷消耗功率的调度策略分析得到电价成本数据、负荷失电率和能量过剩率，扩大了搜索范围，避免了陷入零解的局部最优，增加了种群的多样性，提高了种群跳出局部最优的能力，能够得到经济性更优，稳定性更高的配置结果。
[0154]
可选地，作为本发明的一个实施例，所述设备型号数据还包括贴现率、蓄电池置换成本、蓄电池寿命、多个电源购买单价、多个电源寿命和多个电源年均维护成本，
[0155]
所述对所述原始微源容量数据、所述设备型号数据和所述电价成本数据进行年平均综合成本的分析，得到年平均综合成本的过程包括：
[0156]
通过第十六式对所述风力发电机数量、所述光伏电池组数量、所述蓄电池组数量、所述贴现率、所述蓄电池置换成本、多个所述电源购买单价、多个所述电源寿命、多个所述电源年均维护成本、所有的购电费用和所有的售电费用进行年平均综合成本的计算，得到年平均综合成本，所述第十六式为：
[0157]cact
＝c
afc
+c
aom
+c
arep
+c
aec
，
[0158]
其中，其中，
[0159]
其中，c
act
为年平均综合成本，c
afc
为等年值设备投资成本，c
aom
为年均维护成本，c
arep
为等年值更换设备成本，c
aec
为与电网交互成本，ni为第i个电源的配置数量，n1为风力发电机数量，n2为光伏电池组数量，n3为蓄电池组数量，ci为第i个电源购买单价，r为贴现率，li为第i个电源寿命，c
iom
为第i个电源年均维护成本，c
bat_rep
为蓄电池置换成本，l3为蓄电池寿命，
t
为年小时数，c
sell
(t)为第t时刻的售电费用，c
buy
(t)为第t时刻的购电费用。
[0160]
应理解地，i＝1，则为风力发电机；i＝2，则为光伏电池组；i＝3，则为蓄电池组。
[0161]
具体地，年平均综合成本的计算公式如下：
[0162]cact
＝c
afc
+c
aom
+c
arep
+c
aec
[0163]
等年值设备投资成本如下：
[0164][0165]
式中，ni——第i种电源的配置数量；ci——第i种电源的购买单价；r——贴现率；li——第i种电源的寿命。
[0166]
年均维护成本如下：
[0167][0168]
式中，c
iom
——第i种电源的年均维护成本。
[0169]
等年值更换设备成本如下：
[0170][0171]
式中，n
bat
——蓄电池配置数量；c
bat_rep
——蓄电池置换成本；l
bat
蓄电池寿命。
[0172]
与电网交互成本如下：
[0173][0174]
式中，t——年小时数；k
buy
(t)——t时刻购电价格，k
sell
(t)——t时刻售电价格；p
buy
(t)——t时刻向电网购买功率；p
sell
(t)——t时刻向电网输送功率。
[0175]
上述实施例中，对原始微源容量数据、设备型号数据和电价成本数据的年平均综合成本分析得到年平均综合成本，结合了成本进行分析，能够计算出更符合实际的配置方案，提高了方案的配置精度。
[0176]
可选地，作为本发明的一个实施例，所述步骤s2中，根据所有原始适应度值对应的最大值和最小值划分所有原始微源容量数据，得到最差微源容量数据和第一最优微源容量数据，具体为：
[0177]
s21：从所有的原始适应度值中筛选出最小原始适应度值，并将所述最小原始适应度值对应的原始微源容量数据作为第一最优微源容量数据；
[0178]
s22：从所有的原始适应度值中筛选出最大原始适应度值，并将所述最大原始适应度值对应的原始微源容量数据作为最差微源容量数据；
[0179]
所述根据所有原始适应度值对应的排列顺序划分所有原始微源容量数据，得到多个第一类别微源容量数据和多个第二类别微源容量数据，具体为：
[0180]
s23：按照从小到大的顺序对所有的原始适应度值进行排序，得到多个排序后原始适应度值；
[0181]
s24：按照预设划分比例和所有排序后原始适应度值对所有原始微源容量数据进行划分，得到第一数据集和第二数据集，所述第一数据集为按照预设划分比例后排序在前的微源容量数据，所述第二数据集为按照预设划分比例后排序在后的微源容量数据；
[0182]
s25：通过第十七式分别对所述第一数据集中的各个所述原始微源容量数据以及所述第一最优微源容量数据进行第一类别微源容量数据的计算，得到与各个所述原始微源容量数据对应的第一类别微源容量数据，所述第十七式为：
[0183][0184]
其中，为第j个原始微源容量数据对应的第一类别微源容量数据，为第一数据集中的第j个原始微源容量数据，为第t次迭代次数的第一最优微源容量数据，t为当
前迭代次数，b为常数，l为[-1,1]之间的随机数，r∈[0,1]，st∈[0.5,1]，r为报警值，st为安全阈值，q为服从正态分布的随机数；
[0185]
s26：分别对各个所述第一类别微源容量数据进行适应度值的再次计算，得到与各个所述第一类别微源容量数据对应的第一类别适应度值；
[0186]
s27：筛选所有的第一类别适应度值以及所述第二数据集中所有的原始微源容量数据对应的排序后原始适应度值的最小值，筛选后得到筛选后最小适应度值，并将所述筛选后最小适应度值对应的原始微源容量数据或第一类别微源容量数据作为第二最优微源容量数据；
[0187]
s28：通过第十八式分别对所述第二数据集中的各个所述原始微源容量数据以及所述第二最优微源容量数据进行第二类别微源容量数据的计算，得到与各个所述原始微源容量数据对应的第二类别微源容量数据，所述第十八式为：
[0188][0189]
其中，为第j个原始微源容量数据对应的第二类别微源容量数据，为第二数据集中的第j个原始微源容量数据，为第t+1次迭代次数的第二最优微源容量数据，s为levy飞行产生的随机步长。
[0190]
优选地，所述预设划分比例可以为10％至20％。
[0191]
应理解地，进行适应度值的再次计算的目的是为了在第一数据集中的所述原始微源容量数据更新为第一类别微源容量数据后，获得更小的适应度值，从而获得更好的跟随者。
[0192]
应理解地，发现者(即所述第一数据集中的原始微源容量数据)和跟随者(即所述第二数据集中的原始微源容量数据)位置更新就是改变对应麻雀个体的位置信息，即改变对应的变量[n
wt n
pv n
bat
](所述第一类别微源容量数据或所述第二类别微源容量数据)。
[0193]
具体地，在发现者位置更新(即所述第十七式)时，为了扩大搜索者的搜索范围，增加搜索的精度，在r《st时，采用鲸鱼优化算法中的螺旋搜索公式来代替原来搜索范围逐渐减小的搜索公式，修改后的发现者(即所述第一类别微源容量数据)更新公式如下：
[0194][0195]
式中，t代表当前迭代次数，代表在第t代中第i只麻雀在第j维的位置信息，代表在第t代中位置最优麻雀的位置信息，b为常数1，l为[-1,1]之间的随机数，r∈[0,1]和st∈[0.5,1]分别表示报警值和安全阈值，q是服从正态分布的随机数。
[0196]
具体地，在跟随者位置更新公式(即所述第十八式)中，为了扩大适应度较优的麻雀向最优麻雀位置移动时的搜索范围，引入levy飞行产生的随机步长，这种随机步长具有方向随机、大概率小步长移动、小概率大步长移动的特点，可以增大搜索空间，增加跟随者的多样性。同时，对于适应度较差的麻雀位置，去除掉原来将其解重置在0值附近的操作，采用与较优麻雀同样的位置搜索公式。其中levy飞行产生随机步长的公式如下：
[0197][0198]
式中，s为levy飞行产生的随机步长，β＝1.5为常数，γ为伽马函数。
[0199]
将随机步长s引入到跟随者位置更新公式(即所述第十八式)中，并对公式进行修改，修改后的公式如下：
[0200][0201]
式中，代表在第t代中第i只麻雀在第j维的位置信息，代表第t+1代中适应度最优的麻雀位置，s为levy飞行产生的随机步长。
[0202]
上述实施例中，根据所有原始适应度值对应的最大值和最小值划分所有原始微源容量数据得到最差微源容量数据和第一最优微源容量数据,根据所有原始适应度值对应的排列顺序划分所有原始微源容量数据得到发现者和跟随者，有效解决了ssa对非零解的寻优效果不佳、容易陷入局部最优解、寻优精度低的问题，增大搜索空间，增加跟随者的多样性。
[0203]
可选地，作为本发明的一个实施例，所述步骤s3中，根据所述最差微源容量数据和所述第一最优微源容量数据对所有的发现者和所有的跟随者进行随机筛选处理，得到多个筛选后的微源容量数据的过程包括：
[0204]
按照预设筛选比例对所有的发现者和所有的跟随者进行随机筛选，得到多个随机筛选后的微源容量数据；
[0205]
通过第十九式分别对各个所述随机筛选后的微源容量数据、所述最差微源容量数据以及所述第一最优微源容量数据进行筛选后的微源容量数据的计算，得到与各个所述随机筛选后的微源容量数据对应的筛选后的微源容量数据，所述第十九式为：
[0206][0207]
其中，为第j个随机筛选后的微源容量数据对应的筛选后的微源容量数据，为第t次迭代次数的第一最优微源容量数据，为第j个随机筛选后的微源容量数据，β为服从正态分布的随机数，k为随机数，k∈[-1,1]，为第t次迭代次数的最差微源容量数据，σ为常数。
[0208]
优选地，所述预设筛选比例可以为10％至20％。
[0209]
应理解地，σ为较小的常数，用以避免分母为0。
[0210]
应理解地，警戒者(即随机筛选后的微源容量数据)位置更新就是改变对应麻雀个体的位置信息，即改变对应的变量[n
wt n
pv n
bat
](即筛选后的微源容量数据)。
[0211]
具体地，在种群中(即所有的发现者和所有的跟随者)随机选取警戒者(即随机筛选后的微源容量数据)进行位置更新，其更新公式(即所述第十九式)为：
[0212][0213]
其中，为第t次迭代次数的最优微源容量数据，β为服从正态分布的随机数，k为随机数，k∈[-1,1]，为第t次迭代次数的最差微源容量数据，σ为较小的常数，用以避免分母为0。
[0214]
上述实施例中，通过最差微源容量数据和第一最优微源容量数据对所有的发现者和所有的跟随者的随机筛选处理得到多个筛选后的微源容量数据，有效解决了ssa对非零解的寻优效果不佳、容易陷入局部最优解、寻优精度低的问题，增大搜索空间，增加跟随者的多样性。
[0215]
可选地，作为本发明的一个实施例，所述步骤s4的过程包括：
[0216]
分别对各个所述发现者、各个所述跟随者以及各个所述警戒者进行适应度值的第三次计算，得到与各个所述发现者对应的第一待比较适应度值、与各个所述跟随者对应的第二待比较适应度值以及与各个所述警戒者对应的第三待比较适应度值；
[0217]
通过第二十式分别对各个所述发现者进行变异发现者的计算，得到与各个所述发现者对应的变异发现者，所述第二十式为：
[0218]
new_x
i,j
＝x
i,j
·
randn，
[0219]
其中，new_x
i,j
为第j个变异发现者，x
i,j
为第j个发现者，randn为服从正态分布的随机数；
[0220]
通过第二十一式分别对各个所述跟随者进行变异跟随者的计算，得到与各个所述跟随者对应的变异跟随者，所述第二十一式为：
[0221]
new_x
i,j
1＝x
i,j1·
randn，
[0222]
其中，new_x
i,j
1为第j个变异跟随者，x
i,j
1为第j个跟随者，randn为服从正态分布的随机数；
[0223]
通过第二十二式分别对各个所述警戒者进行变异警戒者的计算，得到与各个所述警戒者对应的变异警戒者，所述第二十二式为：
[0224]
new_x
i,j
2＝x
i,j2·
randn，
[0225]
其中，new_x
i,j
2为第j个变异警戒者，x
i,j
2为第j个警戒者，randn为服从正态分布的随机数；
[0226]
分别对各个所述变异发现者、各个所述变异跟随者以及各个所述变异警戒者进行适应度值的第四次计算，得到与各个所述发现者对应的第一变异适应度值、与各个所述跟随者对应的第二变异适应度值以及与各个所述警戒者对应的第三变异适应度值；
[0227]
判断所述第一待比较适应度值是否小于所述第一变异适应度值，若是，则将所述
第一待比较适应度值作为第一目标适应度值；若否，则将所述第一变异适应度值作为所述第一目标适应度值，并将所述变异发现者作为所述发现者；
[0228]
判断所述第二待比较适应度值是否小于所述第二变异适应度值，若是，则将所述第二待比较适应度值作为第二目标适应度值；若否，则将所述第二变异适应度值作为所述第二目标适应度值，并将所述变异跟随者作为所述跟随者；
[0229]
判断所述第三待比较适应度值是否小于所述第三变异适应度值，若是，则将所述第三待比较适应度值作为第三目标适应度值；若否，则将所述第三变异适应度值作为所述第三目标适应度值，并将所述变异警戒者作为所述警戒者。
[0230]
应理解地，进行适应度值的第三次计算以及进行适应度值的第四次计算的目的是为了获得更小的适应度值，从而获得更好的发现者或跟随者或警戒者。
[0231]
应理解地，正态变异并择优更新就是将所有麻雀的位置信息改变一次，即变量[n
wt n
pv n
bat
](即所述发现者或所述跟随者或所述警戒者)改变一次，并计算适应度值(即所述第一变异适应度值或第二变异适应度值或第三变异适应度值)择优更新。
[0232]
具体地，为了增加种群的多样性，增强种群跳出局部最优解的能力，在所有麻雀位置更新完毕后进行正态分布的变异扰动，具体的变异公式如下：
[0233]
new_x
i,j
＝x
i,j
·
randn
[0234]
式中，new_x
i,j
代表第i只麻雀在第j维进行变异后产生的新的位置信息，x
i,j
代表第i只麻雀在第j维变异前的位置信息，randn为服从正态分布的随机数。
[0235]
变异完成后，计算新位置的适应度值(即所述第一变异适应度值或所述第二变异适应度值或所述第三变异适应度值)并与原来位置的适应度值(即所述第一待比较适应度值或所述第二待比较适应度值或所述第三待比较适应度值)进行比较，如果新位置的适应度值(即所述第一变异适应度值或所述第二变异适应度值或所述第三变异适应度值)较小，则将位置更新为变异后的位置(即所述变异发现者或所述变异跟随者或所述变异警戒者)，否则不对其进行更新。
[0236]
上述实施例中，对所有的发现者、所有的跟随者和所有的警戒者的变异分析得到第一目标适应度值、第二目标适应度值以及第三目标适应度值，增加了种群的多样性，增强了种群跳出局部最优解的能力。
[0237]
可选地，作为本发明的一个实施例，所述步骤s5中，对所有的第一目标适应度值、所有的第二目标适应度值以及所有的第三目标适应度值进行最小值筛选处理，得到最小目标适应度值的过程包括：
[0238]
按照从小到大的顺序对所有的第一目标适应度值、所有的第二目标适应度值以及所有的第三目标适应度值进行排序，得到多个排序后目标适应度值，并将所述排序后目标适应度值作为所述排序后原始适应度值，并返回步骤s22，直至达到迭代次数，将迭代后的排序后目标适应度值作为待筛选目标适应度值，从而得到多个待筛选目标适应度值；
[0239]
筛选所有的待筛选目标适应度值的最小值，筛选得到最小目标适应度值。
[0240]
应理解地，达到迭代次数之后输出最优的麻雀个体位置([n
wt n
pv n
bat
])和适应度值(即所述最小目标适应度值)。
[0241]
上述实施例中，对所有的第一目标适应度值、所有的第二目标适应度值以及所有的第三目标适应度值的最小值筛选处理得到最小目标适应度值，既扩大了搜索范围，又避
免陷入零解的局部最优，增加种群的多样性，提高种群跳出局部最优的能力。
[0242]
可选地，作为本发明的另一个实施例，本发明在初始化种群时采用tent混沌映射，得到分布更加均匀的初始种群；在发现者r《st(处于安全)时采用螺旋搜索的方式来进行位置更新，扩大发现者的搜索范围，增加寻优精度；在跟随者位置更新时采用levy扰动，并更改适应度较差的麻雀位置更新公式，既扩大了搜索范围，又避免陷入零解的局部最优；最后施加正态分布的变异扰动，增加种群的多样性，提高种群跳出局部最优的能力。通过使用issa求解微电网容量优化配置问题，可以得到经济性更优，稳定性更高的配置结果。
[0243]
可选地，作为本发明的另一个实施例，本发明要解决的问题是ssa对微电网容量优化问题的寻优效果不佳。ssa具体存在以下几个问题：初始化种群为随机生成种群，生成的种群分布不均匀，会导致种群多样性减少，种群质量不高；当发现者r《st时，发现者进行位置更新后每个维度都在缩小，对于最优收敛解较小的基准函数有效，但是对于大多数的实际工程问题应用反而限制了搜索范围；在跟随者位置更新时，跟随者中适应度较优的麻雀直接向最优位置移动，容易在短时间内快速收敛，但是直接忽略了这部分麻雀的搜索区域，降低了搜索精度；而跟随者适应度较差的麻雀进行位置更新相当于将解重置在0附近，不利于实际工程应用。
[0244]
可选地，作为本发明的另一个实施例，本发明是对微电网中风光储容量进行优化配置，先是输入气象、负荷、经济和设备数据，得到设备的出力模型，再通过相应的调度策略，计算得到微电网容量优化配置的目标函数，最后设置约束条件，使用issa对目标函数进行求解，得到使微电网经济性最优，稳定性最高的配置结果。
[0245]
可选地，作为本发明的另一个实施例，本发明与现有技术相比所具有的优点和有益效果如下：
[0246]
①
本发明利用改进麻雀搜索算法进行微电网容量优化配置，建立年平均综合成本和功率偏差率为目标的直流微电网容量优化配置模型，并能够根据负荷状态和蓄电池状态进行来划分不同的调度策略，实际模拟微电网系统运行，并计算出最终最优容量配置方案，配置精度高。
[0247]
②
本发明在ssa算法的基础上结合tent混沌映射、螺旋搜索、levy随机步长及正态分布的变异扰动四种策略，扩大了种群的搜索范围，丰富了种群的多样性，避免了种群在非零解问题求解时陷入局部最优的情况，提高了算法的搜索的寻优精度。
[0248]
可选地，作为本发明的另一个实施例，本发明具体的步骤为：
[0249]
步骤1：获取当地的温度、风速和光照数据，并输入设备的参数。
[0250]
步骤2：初始化麻雀种群规模，随机生成n只麻雀的位置，即随机生成风光储的配置容量。
[0251]
步骤3：根据设备参数与随机生成的风光储容量计算出风力发电机，光伏单元以及蓄电池的出力模型。
[0252]
步骤4：输入经济数据及微电网的负荷数据，通过微电网的运行调度策略计算出该配置容量在一年运行过程中购电费用c
buy
、售电费用c
sell
、能量过剩率lpsp和负荷失电率ewr。
[0253]
步骤5：计算出目标函数，并通过issa进行迭代优化，判断是否满足最大迭代次数，进而获得最佳的设备数量，若不满足，则重新循环一次。
[0254]
步骤6：检查最优配置是否符合约束条件。若符合约束条件即为最优解，输出最优容量配置方案；若不满足，重新进行循环。
[0255]
可选地，作为本发明的另一个实施例，本发明可再生能源渗透率约束如下：
[0256][0257]
可选地，作为本发明的另一个实施例，本发明为了提高风光储直流微电网的经济性和稳定性，以年平均综合成本和功率偏差率为目标函数，考虑系统安全稳定运行作为约束条件，构建风光储直流微电网的容量优化配置模型(模型包括目标函数和约束条件)。通过改进的麻雀搜索算法对容量优化配置模型进行求解，获得最优的风力发电机、光伏电池组和蓄电池组数量。
[0258]
可选地，作为本发明的另一个实施例，改进的计算流程如下：
[0259]
说明：在麻雀种群中，每只麻雀的位置就是一组变量[n
wt n
pv n
bat
]，位置更新就是改变变量的值[n
wt n
pv n
bat
]，每只麻雀的适应度值就是将变量代入到目标函数中求得的目标函数值f。
[0260]
初始化种群，就是初始化种群每只麻雀的位置信息，即变量[n
wt n
pv n
bat
]。
[0261]
发现者，跟随者和警戒者位置更新就是改变对应麻雀个体的位置信息，即改变对应的变量[n
wt n
pv n
bat
]。
[0262]
计算位置更新之后的适应度值，将改变后的适应度值与改变前的适应度值进行对比，选择适应度值较小的麻雀位置进行更新。
[0263]
正态变异并择优更新就是将所有麻雀的位置信息改变一次，即变量[n
wt n
pv n
bat
]改变一次，并计算适应度值择优更新。
[0264]
达到迭代次数之后输出最优的麻雀个体位置([n
wt n
pv n
bat
])和适应度值，最后输出使得目标函数f最小的[n
wt n
pv n
bat
]。
[0265]
可选地，作为本发明的另一个实施例，本发明的有益效果如下：
[0266]
①
种群搜索范围更广。不管是修改鲸鱼的螺旋搜索还是添加levy飞行产生的随机步长，都可提高搜索范围，使优化算法的寻优精度更高。
[0267]
②
种群的多样性更加丰富。采用tent混沌映射来初始化种群和对位置更新完后的种群进行变异扰动，都可以增加种群的多样性，增强种群跳出局部最优的能力。
[0268]
③
应用范围更广。issa不只是对最优解为零解附近的优化问题具有优异的性能，对于非零解的求解也具有优异的收敛速度和收敛精度。
[0269]
图2为本发明实施例提供的一种容量优化配置装置的模块框图。
[0270]
可选地，作为本发明的另一个实施例，如图2所示，一种容量优化配置装置，包括：
[0271]
适应度值计算模块，用于导入原始微源容量数据，并分别对各个所述原始微源容量数据进行适应度值的计算，得到与各个所述原始微源容量数据对应的原始适应度值；
[0272]
数据划分模块，用于根据所有原始适应度值对应的最大值和最小值划分所有原始微源容量数据，得到最差微源容量数据和第一最优微源容量数据；
[0273]
根据所有原始适应度值对应的排列顺序划分所有原始微源容量数据，得到多个第一类别微源容量数据和多个第二类别微源容量数据，并将所有第一类别微源容量数据均作
为发现者，并将所有第二类别微源容量数据均作为跟随者；
[0274]
随机筛选模块，用于根据所述最差微源容量数据和所述第一最优微源容量数据对所有的发现者和所有的跟随者进行随机筛选处理，得到多个筛选后的微源容量数据，并将所有筛选后的微源容量数据均作为警戒者；
[0275]
变异分析模块，用于对所有的发现者、所有的跟随者和所有的警戒者进行变异分析，得到与各个所述发现者对应的第一目标适应度值、与各个所述跟随者对应的第二目标适应度值以及与各个所述警戒者对应的第三目标适应度值；
[0276]
优化配置结果获得模块，用于对所有的第一目标适应度值、所有的第二目标适应度值以及所有的第三目标适应度值进行最小值筛选处理，得到最小目标适应度值，并将所述最小目标适应度值对应的发现者或跟随者或警戒者作为优化配置结果。
[0277]
可选地，本发明的另一个实施例提供一种容量优化配置装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，当所述处理器执行所述计算机程序时，实现如上所述的容量优化配置方法。该装置可为计算机等装置。
[0278]
可选地，本发明的另一个实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被处理器执行时，实现如上所述的容量优化配置方法。
[0279]
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
[0280]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0281]
在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
[0282]
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
[0283]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0284]
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备
(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0285]
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。