一、主要內容

程序是對文章《基于多目標粒子群算法的配電網(wǎng)儲能選址定容》的方法復現(xiàn)，具體內容如下：

以系統(tǒng)節(jié)點電壓水平（電網(wǎng)脆弱性）、網(wǎng)絡損耗以及儲能系統(tǒng)總容量為目標建立了儲能選址定容優(yōu)化模型。求解過程中提出了一種改進多目標粒子群算法(improved multi—objective particle swarm optimizer，IMOPSO)。該算法根據(jù)粒子與種群最優(yōu)粒子的距離來指導慣性權重的取值，使得各粒子的慣性權重可以自適應調整，并在二者距離較小時引入交叉變異操作，避免陷入局部最優(yōu)解，同時采用動態(tài)密集距離排序來更新非劣解集并指導種群全局最優(yōu)解的選取，在保持解集規(guī)模的同時使解的分布更均勻。為避免決策者偏好對最終結果的影響，采用基于信息熵的序數(shù)偏好法從最優(yōu)Pareto解集中選取儲能的最優(yōu)接入方案。以IEEE33節(jié)點配電系統(tǒng)為例進行仿真驗證，結果表明該方法在儲能選址定容問題求解中具有很好的收斂性以及全局搜索能力。

二、主要流程

儲能選址定容在智能算法中的實現(xiàn)過程不難，剛開始變量定義部分，主要是涉及儲能選址的位置、容量和儲能出力，以這兩部分變量作為優(yōu)化變量，通過設置最大值和最小值確定變量上下限范圍。

下一步的關鍵點就是約束處理部分，對于儲能soc約束，在單目標實現(xiàn)過程中可以采用罰函數(shù)的表達方式，但是在多目標求解過程中最好是采用絕對約束表達方式，因為多目標的帕累托解集有可能將不滿足約束條件的目標值也篩選進入解集中，就會導致解集的不準確。

最后就是設置目標值，對于配電網(wǎng)節(jié)點系統(tǒng)，要注意潮流計算方式的選擇和儲能出力對系統(tǒng)影響，然后設置不同的目標值。

上述都設置清楚后，采用智能算法進行求解就簡單了，多目標算法要注意采用擁擠距離識別方法保證解集分布的合理性（ps:之前有同學付費要解決解集分布不合理問題，被我拒絕了，直接發(fā)給他這個程序參考一下完美解決，這種方法已經(jīng)很成熟，也有很多的參考，很容易解決，沒必要花冤枉錢）。

三、部分程序

%% ***************導入網(wǎng)絡參數(shù)******************%

FH1=[2084,1933,1782,1657,1564,1612,1982,2189,2412,2729,2905,3096,3189,3073,3000,2917,3149,3355,3526,3620,3715,3276,2911,2309];

% plot(FH1)%輸入全天的負荷數(shù)據(jù)

WT1=[201,191,193,201,205,210,204,180,139,110,94,88,76,79,82,86,90,95,105,117,129,141,158,187]; ??%輸入全天的風電數(shù)據(jù)

% plot(WT1)

PV1=[0,0,0,0,0,0,0,14,29,76,121,154,193,205,193,174,122,69,45,11,0,0,0,0]; ??%輸入全天的光伏數(shù)據(jù)

% plot(PV1)

Generator=xlsread('GEN.xlsx','A2:U8'); ??%輸入發(fā)電機矩陣參數(shù)，其中20，14接風電;9,30接光伏

Bus=xlsread('BUS.xlsx','A2:M34'); ???%輸入負荷矩陣參數(shù)，matpower數(shù)據(jù)格式，第3列和第4列為有功和無功負荷所占總有功和無功負荷比例

FH=FH1/1000; ??%將kw化為mw,調整滲透率

WT=2*WT1/1000;

PV=2*PV1/1000;

FHBus=Bus;

T=24;

for t=1:T

????FHP(:,t)=FH(1,t)*Bus(:,3); ?????%求各個時間段的有功負荷

????FHQ(:,t)=FH(1,t)*2.3/3.715*Bus(:,4); ??%求各個時間段的無功負荷【常數(shù)什么意思】

end

% *******************導入結束********************%

%% ****************決策空間的設置1**************%

maxFun=3; ???????????????????%三個目標函數(shù)

?fff=[0,1;0.05,0.4;0.2,2]; %各個目標函數(shù)的最小值和最大值，即絕對正理想解和絕對負理想解，可分別設單目標求解

%fff=[0,0.4;30,100;10000,20000]; ?

n = 50; ????????????????????????% 初始種群個數(shù)

d = 52; ?????????????????????????% 空間維數(shù)，即決策變量（各設備控制量）個數(shù)

maxIterations = 50; ???????????% 最大迭代次數(shù)

wmax=0.9; ?????????%maximum of inertia factor，最大慣性系數(shù)

wmin=0.4; ?????????%minimum of inertia factor，最小慣性系數(shù)

c1=1.4962; ?????????????%1.4962; %learning factor1，自我學習因子

c2=1.4962; ?????????????%1.4962; %learning factor2，群體學習因子

soc=0.5;



X1limit = [2, 33]; ?????????????% 設置選址參數(shù)限制

%X2limit = [0.2, 2.5]; ?????????????% 設置容量參數(shù)限制,統(tǒng)一化成MW

X2limit = [1, 2]; ?????????????% 設置容量參數(shù)限制,統(tǒng)一化成MW

V1limit = [-31, 31]; ??????????????% 設置速度限制

%V2limit = [-2.3, 2.3]; ?????????????% 設置速度限制

V2limit = [-1.8, 1.8];

Xmax=[X1limit(1,2),X1limit(1,2),X2limit(1,2),X2limit(1,2)];

Xmin=[X1limit(1,1),X1limit(1,1),X2limit(1,1),X2limit(1,1)];

dX=Xmax-Xmin;

Vmax=dX;

%***********決策空間設置1結束**********%



%% ******種群位置與速度初始化*******% ???

X1 = round(X1limit(1, 1) + (X1limit(1, 2) - X1limit(1, 1)) * rand(n, 2)); ???????%初始種群的位置（節(jié)點位置）四舍五入取整

X2 = X2limit(1, 1)+(X2limit(1, 2)-X2limit(1, 1)) * rand(n, 2); ??????%初始種群的位置（容量大?。?
X = [X1,X2]; ???????????????%初始種群的位置



V1 = V1limit(1, 2) * (2*rand(n, 2)-1); ????%初始種群的速度

V2 = V2limit(1, 2) * (2*rand(n, 2)-1); ????%初始種群的速度

V=[V1,V2]; ?????????????????????% 初始種群的速度

%*****24小時儲能出力變量初始化*********%

E1=zeros(n,T+1); ??%儲能1各時段的剩余容量，即SOC

E2=zeros(n,T+1); ??%儲能2各時段的容量

E1(:,1)=0.5*X(:,3); ??%初始容量設為50%總容量【擬采用40%】

E2(:,1)=0.5*X(:,4);

x1limit = [-0.5, 0.5]; ?????????????% 設置儲能有功出力約束

xmax=[Xmax,x1limit(1,2)*ones(1,48)];

xmin=[Xmin,x1limit(1,1)*ones(1,48)];

dx=xmax-xmin;

v1limit = [-1, 1]; ???????????????% 設置儲能有功出力約束

vmax=dx;

%******變量維數(shù)（總共52維）解釋：位置1，位置2，額定容量1，額定容量2，儲能1的24小時出力，儲能2的24小時出力

x=[X,bsxfun(@times,x1limit(1,2)*ones(1,48),(2*rand(n, 48)-1))];

v=[V,bsxfun(@times,v1limit(1,2)*ones(1,48),(2*rand(n, 48)-1))];

四、程序結果

?

?

程序下載方式可私信或評論方式獲??！?文章來源地址http://www.zghlxwxcb.cn/news/detail-431573.html

到了這里，關于基于多目標粒子群算法的配電網(wǎng)儲能選址定容（含MATLAB程序）的文章就介紹完了。如果您還想了解更多內容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關文章，希望大家以后多多支持TOY模板網(wǎng)！