CN116681468B - 基于改进鲸鱼算法的光储直柔***成本优化方法及装置 - Google Patents

基于改进鲸鱼算法的光储直柔***成本优化方法及装置 Download PDF

Info

Publication number
CN116681468B
CN116681468B CN202310932184.4A CN202310932184A CN116681468B CN 116681468 B CN116681468 B CN 116681468B CN 202310932184 A CN202310932184 A CN 202310932184A CN 116681468 B CN116681468 B CN 116681468B
Authority
CN
China
Prior art keywords
cost
power
grid
charging
energy storage
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202310932184.4A
Other languages
English (en)
Other versions
CN116681468A (zh
Inventor
王朝亮
裘华东
陈宋宋
沈百强
肖涛
张洪志
李磊
陆春光
陈珂
芦鹏飞
刘炜
叶菁
金旭洁
章江铭
宋磊
李亦龙
王佳颖
周瑶
薛友
徐耀辉
朱欢
刘主光
吴亮
金挺超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Electric Power Research Institute Co Ltd CEPRI
Marketing Service Center of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
China Electric Power Research Institute Co Ltd CEPRI
Marketing Service Center of State Grid Zhejiang Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Electric Power Research Institute Co Ltd CEPRI, Marketing Service Center of State Grid Zhejiang Electric Power Co Ltd filed Critical China Electric Power Research Institute Co Ltd CEPRI
Priority to CN202310932184.4A priority Critical patent/CN116681468B/zh
Publication of CN116681468A publication Critical patent/CN116681468A/zh
Application granted granted Critical
Publication of CN116681468B publication Critical patent/CN116681468B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0206—Price or cost determination based on market factors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Finance (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Power Engineering (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Game Theory and Decision Science (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Primary Health Care (AREA)
  • Human Resources & Organizations (AREA)
  • Biophysics (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Water Supply & Treatment (AREA)

Abstract

本发明为基于改进鲸鱼算法的光储直柔***成本优化方法及装置，属于直流微电网领域，针对现有算法模型不准确、优化效果不理想的问题，采用技术方案如下：一种基于改进鲸鱼算法的光储直柔***成本优化方法，包括设定电动车数量，采用蒙特卡洛算法对电动汽车一天中的充电负荷进行预测，得到设定数量的电动汽车一天中充电的总负荷作为***负荷；设定光储直柔***各部分运行的限制条件，建立光储直柔***运行成本优化目标函数；采用改进的鲸鱼算法多次迭代，计算储能及电网端口各自最优出力，使得建立的目标函数计算结果最小。本发明的算法考虑电动车充电负荷，采用改进的鲸鱼算法可快速获得更低总成本对应的运行方案，模型算法的精度和速度均有提高。

Description

基于改进鲸鱼算法的光储直柔***成本优化方法及装置
技术领域
本发明属于直流微电网领域，特别涉及一种基于改进鲸鱼算法的光储直柔***成本优化方法及装置。
背景技术
光储直柔就是利用光伏发电和储能设备参与负荷柔性调节的直流***，其中新能源发电中最具代表性的光伏发电，因其清洁、高效、零碳排放的特点得到了广泛应用。但光伏输出受光照、环境等因素的影响较大，直接并网会给电网造成波动，进而影响电网的平稳运行。为保证电力***安全稳定，可以将光伏发电与储能***以及部分负荷整合构成微电网，通过微电网内部的协调运行消纳光伏输出并为交流电网提供能源支撑，对包含电动汽车在内的不断变化负荷起到削峰填谷、柔性调节的作用。同时，由于光伏和储能通常以直流形式与外界进行能量交换，因此采用共直流母线结构接入可以灵活、高效地调控光伏与储能端口。
针对端口众多光储直柔***，如何有效协调各端口的输入输出关系、进而有效降低***整体成本，在电力市场建设和微电网商业化的背景下将对实现可再生能源的更大规模应用有较大意义。现有的研究主要从***数学模型模型角度采用优化算法对***经济性运行进行演算，主要步骤是对各个端口数学模型进行建立后考虑微电网运行经济性各因素生成目标函数，在约束条件下采用智能算法来实现整体经济性运行。但目前研究采用的传统算法存在收敛速度慢、精度低等问题，同时也没有考虑电动汽车这类具有明显时间特性的负荷，验算模型不准确，优化效果不理想。
发明内容
针对现有算法模型不准确、优化效果不理想的问题，本发明提供一种基于改进鲸鱼算法的光储直柔***成本优化方法及装置，针对共直流母线的微电网，考虑电动汽车充电负荷，并采用改进鲸鱼算法在约束条件下计算各端口出力，进而对***进行柔性调节以实现***整体成本优化，相较于传统算法，本申请在收敛速度与精度上有一定的提高。
本发明采用技术方案如下：一种基于改进鲸鱼算法的光储直柔***成本优化方法，包括如下步骤：
S1，设定电动车数量N，采用蒙特卡洛算法对电动汽车一天中的充电负荷进行预测，得到设定数量的电动汽车一天中充电的总负荷作为***负荷；
S2，设定光储直柔***各部分运行的限制条件，建立光储直柔***运行成本优化目标函数，其中，光储直柔***包括光伏模块、储能模块、电网端口以及步骤S1得到的***负荷；
S3，采用改进的鲸鱼算法多次迭代，计算储能及电网端口各自最优出力，使得步骤S2中建立的目标函数计算结果最小。
本发明中，光伏发出的能量被***消纳，不会出现光伏输出功率未被利用的情况，储能的调节作用使得***功率分配更灵活，也能有效降低成本，因此与现有方法相比，本申请能源利用率较高；通过预测算法计算电动汽车充电负荷，将负载的波动性考虑在内，适应性更换；改进后的鲸鱼算法是对传统鲸鱼算法在收敛因子、概率判断因子和种群多样性做出改进，相较于传统算法，本发明收敛速度更快、精度更高，可以更快速的寻找到更低总成本对应的运行方案。
进一步地，步骤S1中，按蒙特卡洛算法获得***负荷的方式如下：
S1.1，建立电动汽车每日行驶里程的模型：
（1）；
式中，f（L）为电动汽车每日行驶里程的概率密度分布函数，L为电动汽车每日行驶里程，μ L和σ L分别为每日行驶里程的期望值和标准差；
S1.2，建立充电时电动车电池荷电状态SOC EV公式：
（2）；
式中，L m为电动汽车每日最大行驶里程；
S1.3，建立电动汽车所需充电时长T的模型：
（3）；
式中，C为电池容量，P为充电功率，k c为充电效率；
S1.4，建立充电开始时间模型：
（4）；
式中，f（t s）为电动汽车开始充电时间的概率密度分布函数；t s为电动汽车开始充电时间；μ t和σ t分别为开始充电时间t的期望值和标准差；其中，电动汽车开始充电时间t s为电动汽车完成一天全部行驶任务后接入充电的时间；
S1.5，根据公式（1）至公式（4），逐一计算各个电动汽车的充电负荷曲线，再将各个充电负荷曲线叠加，获得设定数量的电动汽车一天中总的充电负荷曲线。
进一步地，S2中，建立***整体优化目标函数f如下：
（5）；
式中，C CRF为***整体年度成本，C M为***整体维护成本，C cons为微电网***与交流电网交互成本；λ1、λ2、λ3分别为***整体年度成本、***整体维护成本和微电网***与交流电网交互成本的权重系数；
限制条件为：
光储直柔***各端口间满足功率动态平衡，具体如下：
（6）；
式中，P PV（t）为光伏输出功率，P grid（t）为电网侧功率，P ESS（t）为储能输出功率，P EV（t）为电动汽车充电负荷；t为运行时刻。
储能模块充放电功率P ESS（t）以及当前储能模块的荷电状态SOC（t）均需在限值内，具体如下：
（7）；
（8）；
式中，为储能最大充电功率，/>为储能最大放电功率，SOC min为储能模块的荷电状态SOC下限，SOC max为储能模块的荷电状态SOC上限；
当前储能模块的荷电状态SOC（t）计算方法如下：
（9）；
式中，E max为储能最大容量，η为储能充放电系数；SOC（t-1）为上一时刻的储能模块的荷电状态；
电网端口变流器功率，即电网侧功率P grid（t）流动需要在限值内，具体如下：
（10）；
式中，为电网最大充电功率，/>为电网最大放电功率。
进一步地，***整体年度成本C CRF满足：
（11）；
式中，为光伏成本折算系数，/>为光伏安装费用，/>为储能成本折算系数，/>为储能安装费用；
***整体维护成本C M满足：
（12）；
式中，为电网端变流器维护成本系数，/>为储能端口维护成本系数，为光伏端口维护成本系数，t G为电网端变流器使用时间，t ESS为储能端口使用时间，t PV为光伏端口使用时间；
微电网***与交流电网交互成本C cons如下：
（13）；
式中，为电网输出功率，/>为电网回馈功率，C Grid为电网电费，C feed为上网电价。
进一步地，步骤S3的具体过程为：
S3.1，初始化：读取光伏输出功率以及电动汽车充电负荷功率，并对储能模块功率进行随机初始化；
S3.2，随机搜寻位置，满足如下公式：
（19）；
（20）；
（21）；
（22）；
式中，为下一时刻位置，/>为当前时刻位置，/>为随机产生的起始位置，/>为当前个体与随机个体间的距离，/>和/>分别是系数向量，/>为收敛因子；为0至1间的随机数；
对于收敛因子，当其较大时全局搜索效果较好，较小时局部搜索效果较好，为了使得在搜索前期尽快找到整体中较为靠近猎物的位置，并在该位置附近精确锁定猎物位置，则要求/>在循环开始时较大，之后较快速的降低；
将收敛因子设置为：
（14）；
式中，t r为循环次数，t max为循环最大次数，λ为循环系数；
S3.3，缩小搜寻范围：经过多次循环后，猎物位置被最优个体锁定，其他鲸鱼逐渐以包围的方式向最优位置靠拢，下一时刻位置可以表示为：
（23）；
（24）；
式中，为当前个体与最优个体间的距离，/>为当前寻找到的最优位置；
S3.4，优化搜寻位置：在最优位置附近，鲸鱼以螺旋形式对猎物进行捕食，其下一时刻位置表示为：
（25）；
式中，b为对数螺旋常熟，l为-1到1间的随机数；
S3.5，更新位置：
（26）；
式中，p为概率判断因子；
p的取值满足：
（15）；
式中，rsn（n, location, scale, shape）为偏态分布随机生成函数；n表示为偏态分布变量维度，location表示为偏态分布峰值出现位置，scale表示为偏态分布范围，shape表示为偏态分布形状参数；
在循环前期，鲸鱼距离猎物距离较远，主要应该进行包围策略；循环中期，部分已经接近猎物的个体进行捕猎，另一部分进一步靠近猎物，两种行为概率接近；循环后期，大部分个体已经到达猎物位置，主要应进行捕猎行为；
S3.6，设置正态扰动因子避免结果陷入局部最优：
（16）；
（17）；
（18）；
其中，；
S3.7，在循环开始后计算公式（5）中当前目标函数值，再将当前目标函数值与当前迭代得到的函数值最小值比较，接着按照公式（14）和公式（15）随机生成收敛因子和概率判断因子p，并根据收敛因子/>和概率判断因子p的值按照公式（16）至（18）得到下一次循环的位置，判断该位置是否满足步骤S2中的约束条件，若满足则进入下一次循环，若不满足则将位置限制在约束条件内后再进入下一次循环，直到达到预设的最大迭代次数，目标函数所得最小值对应的光伏模块、储能模块、电网接口和***负荷的功率即为各自的最优出力。
一种基于改进鲸鱼算法的光储直柔***成本优化的装置，包括：
预测模块，用于根据设定电动车数量，采用蒙特卡洛算法对电动汽车一天中的充电负荷进行预测，得到设定数量的电动汽车一天中充电的总负荷作为***负荷；
设定模块，用于设定光储直柔***各部分运行的限制条件，建立光储直柔***运行成本优化目标函数；其中，光储直柔***包括光伏模块、储能模块、电网端口以及预测模块得到的***负荷；
计算模块，用于采用改进的鲸鱼算法多次迭代，计算储能及电网端口各自最优出力，使得设定模块建立的目标函数计算结果最小。
预测模块建立的模型包括电动汽车每日行驶里程模型、充电时电动车电池荷电状态模型、电动汽车所需充电时长模型、充电开始时间模型和充电负荷模型，通过向充电负荷模型输入电动汽车每日行驶里程模型计算结果、充电时电动车电池荷电状态模型计算结果、电动汽车所需充电时长模型计算结果和电动汽车所需充电时长模型计算结果，输出设定数量的电动汽车一天中总的充电负荷；
电动汽车每日行驶里程模型为：
（1）；
式中，f（L）为电动汽车每日行驶里程的概率密度分布函数，L为电动汽车每日行驶里程，μ L和σ L分别为每日行驶里程的期望值和标准差；
充电时电动车电池荷电状态SOC EV模型为：
（2）；
式中，L m为电动汽车每日最大行驶里程；
电动汽车所需充电时长模型为：
（3）；
式中，C为电池容量，P为充电功率，k c为充电效率；
充电开始时间模型为：
（4）；
式中，f（t s）为电动汽车开始充电时间的概率密度分布函数；t s为电动汽车开始充电时间；μ t和σ t分别为开始充电时间t的期望值和标准差；其中，电动汽车开始充电时间t s为电动汽车完成一天全部行驶任务后接入充电的时间。
进一步地，设定模块包括优化模块和限制模块，通向优化模块输入***整体年度成本、***整体维护成本和微电网***与交流电网交互成本，获得***整体优化目标函数模型；通过向限制模块输入光储直柔***各端口间满足功率动态平衡关系式、储能模块充放电功率、储能模块的荷电状态、电网端口变流器功率流动限值，获得***整体优化目标函数值的限制条件模型；
***整体优化目标函数模型通过如下公式获得：
（5）；
式中，C CRF为***整体年度成本，C M为***整体维护成本，C cons为微电网***与交流电网交互成本；λ1、λ2、λ3分别为***整体年度成本、***整体维护成本和微电网***与交流电网交互成本的权重系数；
光储直柔***各端口间满足功率动态平衡满足：
（6）；
式中，P PV（t）为光伏输出功率，P grid（t）为电网侧功率，P ESS（t）为储能输出功率，P EV（t）为电动汽车充电负荷；t为运行时刻；
储能模块充放电功率P ESS（t）以及储能模块的荷电状态SOC（t）的限值满足：
（7）；
（8）；
式中，为储能最大充电功率，/>为储能最大放电功率，SOC min为储能模块的荷电状态SOC下限，SOC max为储能模块的荷电状态SOC上限；
当前储能模块的荷电状态SOC（t）计算方法如下：
（9）；
式中，E max为储能最大容量，η为储能充放电系数；SOC（t-1）为上一时刻的储能模块的荷电状态；
电网侧功率P grid（t）流动需要在限值内，具体如下：
（10）；
式中，为电网最大充电功率，/>为电网最大放电功率。
进一步地，***整体年度成本C CRF满足：
（11）；
式中，为光伏成本折算系数，/>为光伏安装费用，/>为储能成本折算系数，/>为储能安装费用；
***整体维护成本C M满足：
（12）；
式中，为电网端变流器维护成本系数，/>为储能端口维护成本系数，为光伏端口维护成本系数，t G为电网端变流器使用时间，t ESS为储能端口使用时间，t PV为光伏端口使用时间；
微电网***与交流电网交互成本C cons如下：
（13）；
式中，为电网输出功率，/>为电网回馈功率，C Grid为电网电费，C feed为上网电价。
进一步地，计算模块包括初始化模型、位置搜寻模型、算法模型，通过向初始化模型输入收敛因子，光伏输出功率以及电动汽车充电负荷功率，获得储能模块的随机化功率；通过向位置搜寻模型输入收敛因子、概率判断因子和正态扰动因子，获得当前循环位置和下一次循环的位置；通过向算法模型输入当前目标函数值和当前迭代得到的函数值最小值，获得目标函数最小值以及目标函数所得最小值对应的光伏模块、储能模块、电网接口和***负荷的功率；
位置搜寻模型采用的公式如下：
随机搜寻位置，满足如下公式：
（19）；
（20）；
（21）；
（22）；
式中，为下一时刻位置，/>为当前时刻位置，/>为随机产生的起始位置，/>为当前个体与随机个体间的距离，/>和/>分别是系数向量，/>为收敛因子；为0至1间的随机数；
将收敛因子设置为：
（14）；
式中，t r为循环次数，t max为循环最大次数，λ为循环系数；
缩小搜寻范围：经过多次循环后，猎物位置被最优个体锁定，其他鲸鱼逐渐以包围的方式向最优位置靠拢，下一时刻位置可以表示为：
（23）；
（24）；
式中，为当前个体与最优个体间的距离，/>为当前寻找到的最优位置；
优化搜寻位置：在最优位置附近，鲸鱼以螺旋形式对猎物进行捕食，其下一时刻位置表示为：
（25）；
式中，b为对数螺旋常熟，l为-1到1间的随机数；
更新位置：
（26）；
式中，p为概率判断因子；
p的取值满足：
（15）；
式中，rsn（n, location, scale, shape）为偏态分布随机生成函数；n表示为偏态分布变量维度，location表示为偏态分布峰值出现位置，scale表示为偏态分布范围，shape表示为偏态分布形状参数；
设置正态扰动因子避免结果陷入局部最优：
（16）；
（17）；
（18）；
其中，；
算法模型，根据位置搜寻模型的结果计算目标函数所得最小值及其对应的光伏模块、储能模块、电网接口和***负荷的功率即为各自的最优出力。
一种计算机装置，包括存储器以及一个或多个处理器，所述存储器中存储可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现上述的基于改进鲸鱼算法的光储直柔***成本优化方法。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时，实现上述的一种基于改进鲸鱼算法的光储直柔***成本优化方法。
本发明具有的有益效果：本申请为一种基于改进鲸鱼算法的光储直柔***成本优化方法及装置，光储直柔***通过直流母线连接光伏模块、充电模块、储能模块和电网端口，能源利用率提高；通过预测算法计算电动汽车充电负荷，将负载的波动性考虑在内，使得本发明方法能更好地适应未来新能源汽车的大规模应用；改进后的鲸鱼算法是对传统鲸鱼算法在收敛因子、概率判断因子和种群多样性做出改进，这样改进后的鲸鱼算法相较于传统算法收敛速度更快、精度更高，可以更快速的寻找到更低总成本对应的运行方案。因此，本发明可靠易行，适用于实际***运行。
附图说明
图1为本发明的光储直柔***整体的结构图。
图2为本发明的电动汽车充电负荷预测算法流程图。
图3为本发明的改进的鲸鱼算法流程图。
图4为本发明的改进的鲸鱼算法优化后所得光储直柔***各端口出力图。
图5为本发明的改进的鲸鱼算法优化后所得储能模块的荷电状态SOC状态图。
图6为本发明的改进的鲸鱼算法与其他算法迭代次数对比图。
具体实施方式
下面结合本发明的附图，对本发明实施例的技术方案进行解释和说明，但下述实施例仅为本发明的优选实施例，并非全部。基于实施方式中的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得其他实施例，都属于本发明的保护范围。
实施例1
本实施例的基于改进鲸鱼算法的光储直柔***成本优化方法，包括如下步骤：
S1，设定电动车数量N，采用蒙特卡洛算法对电动汽车一天中的充电负荷进行预测，得到设定数量的电动汽车一天中充电的总负荷作为***负荷；如图2所示，具体方式如下：
S1.1，建立电动汽车每日行驶里程的模型：
（1）；
式中，f（L）为电动汽车每日行驶里程的概率密度分布函数，L为电动汽车每日行驶里程，μ L和σ L分别为每日行驶里程的期望值和标准差；
S1.2，建立充电时电动车电池荷电状态SOC EV公式：
（2）；
式中，L m为电动汽车每日最大行驶里程；
S1.3，建立电动汽车所需充电时长T的模型：
（3）；
式中，C为电池容量，P为充电功率，k c为充电效率；
S1.4，建立充电开始时间模型：
（4）；
式中，f（t s）为电动汽车开始充电时间的概率密度分布函数；t s为电动汽车开始充电时间；μ t和σ t分别为开始充电时间t的期望值和标准差；其中，电动汽车开始充电时间t s为电动汽车完成一天全部行驶任务后接入充电的时间；
S1.5，根据公式（1）至公式（4），逐一计算各个电动汽车的充电负荷曲线，再将各个充电负荷曲线叠加，获得设定数量的电动汽车一天中总的充电负荷曲线。
S2，设定光储直柔***各部分运行的限制条件，建立光储直柔***运行成本优化目标函数，其中，光储直柔***包括光伏模块、储能模块、电网端口以及步骤S1得到的***负荷；如图1所示，光储直柔***整体的结构框图，光伏模块和储能模块分别通过DC/DC变换器接入直流母线，其中储能模块DC/DC变换器能够实现能量的双向流动；电网通过DC/AC变换器接入；电动汽车负载使用蒙特卡洛算法预测得到；
建立***整体优化目标函数f如下：
（5）；
式中，C CRF为***整体年度成本，C M为***整体维护成本，C cons为微电网***与交流电网交互成本；λ1、λ2、λ3分别为***整体年度成本、***整体维护成本和微电网***与交流电网交互成本的权重系数。
限制条件为：
光储直柔***各端口间满足功率动态平衡，具体如下：
（6）；
式中，P PV（t）为光伏输出功率，P grid（t）为光伏输出功率，P ESS（t）为储能输出功率，P EV（t）为电动汽车充电负荷；t为运行时刻；
储能模块充放电功率P ESS（t）以及当前储能模块的荷电状态SOC（t）均需在限值内，具体如下：
（7）；
（8）；
式中，为储能最大充电功率，/>为储能最大放电功率，SOC min为储能模块的荷电状态SOC下限，SOC max为储能模块的荷电状态SOC上限；
当前储能模块的荷电状态SOC（t）计算方法如下：
（9）；
式中，E max为储能最大容量，η为储能充放电系数；SOC（t-1）为上一时刻的储能模块的荷电状态；结果如图5所示。
电网端口变流器功率，即电网侧功率P grid（t）流动需要在限值内，具体如下：
（10）；
式中，为电网最大充电功率，/>为电网最大放电功率。
***整体年度成本C CRF满足：
（11）；/>
式中，为光伏成本折算系数，/>为光伏安装费用，/>为储能成本折算系数，/>为储能安装费用；
***整体维护成本C M满足：
（12）；
式中，为电网端变流器维护成本系数，/>为储能端口维护成本系数，为光伏端口维护成本系数，t G为电网端变流器使用时间，t ESS为储能端口使用时间，t PV为光伏端口使用时间；
微电网***与交流电网交互成本C cons如下：
（13）；
式中，为电网输出功率，/>为电网回馈功率，C Grid为电网电费，C feed为上网电价。
S3，采用改进的鲸鱼算法多次迭代，计算储能及电网端口各自最优出力，使得步骤S2中建立的目标函数计算结果最小，如图3所示，具体过程为：
S3.1，初始化：读取光伏输出功率以及电动汽车充电负荷功率，并对储能模块功率进行随机初始化；
S3.2，随机搜寻位置，满足如下公式：
（19）；
（20）；
（21）；
（22）；
式中，为下一时刻位置，/>为当前时刻位置，/>为随机产生的起始位置，/>为当前个体与随机个体间的距离，/>和/>分别是系数向量，/>为收敛因子；为0至1间的随机数；
将收敛因子设置为：
（14）；
式中，t r为循环次数，t max为循环最大次数，λ为循环系数；
S3.3，缩小搜寻范围：经过多次循环后，猎物位置被最优个体锁定，其他鲸鱼逐渐以包围的方式向最优位置靠拢，下一时刻位置可以表示为：
（23）；
（24）；
式中，为当前个体与最优个体间的距离，/>为当前寻找到的最优位置；
S3.4，优化搜寻位置：在最优位置附近，鲸鱼以螺旋形式对猎物进行捕食，其下一时刻位置表示为：
（25）；
式中，b为对数螺旋常熟，l为-1到1间的随机数；
S3.5，更新位置：
（26）；
式中，p为概率判断因子；
p的取值满足：
（15）；
式中，rsn（n, location, scale, shape）为偏态分布随机生成函数；n表示为偏态分布变量维度，location表示为偏态分布峰值出现位置，scale表示为偏态分布范围，shape表示为偏态分布形状参数；
S3.6，设置正态扰动因子避免结果陷入局部最优：
（16）；
（17）；
（18）；
其中，；
S3.7，在循环开始后计算公式（5）中当前目标函数值，再将当前目标函数值与当前迭代得到的函数值最小值比较，接着按照公式（14）和公式（15）随机生成收敛因子和概率判断因子p，并根据收敛因子和概率判断因子p的值按照公式（16）至（18）得到下一次循环的位置，判断该位置是否满足步骤S2中的约束条件，若满足则进入下一次循环，若不满足则将位置限制在约束条件内后再进入下一次循环，直到达到预设的最大迭代次数，目标函数所得最小值对应的光伏模块、储能模块、电网接口和***负荷的功率即为各自的最优出力。
采用算例来验证所提出改进的鲸鱼算法在优化成本方面的可行性，***相关参数如下表所示。
改进的鲸鱼算法优化后所得光储直柔***各端口出力如图4所示。光伏输出由某市七月典型晴天情况计算得出，负载部分采用蒙特卡洛算法预测电动汽车充电负荷所得，储能部分出力以及电网功率满足***整体能量动态平衡条件，储能模块的荷电状态SOC（t）如图5所示，由图可得SOC（t）在限值0.2至0.8间波动，满足约束条件。
在光伏输出和负载相同的情况下采用遗传算法(GA)、粒子群算法(PSO)以及传统鲸鱼算法(WOA)对相同的目标函数进行求解，其迭代次数与成本关系如图6所示。与改进的鲸鱼算法(IWOA)相比，遗传算法所需迭代次数更多，传统鲸鱼算法和粒子群算法所得成本相对更高，而改进的鲸鱼算法可以在较小的迭代次数找到最优成本，优化效果最好。采用改进的WOA所得最终优化成本为41.29元,相较于传统鲸鱼算法降低成本2.52%。
本实施例中，以共直流母线的微电网为基础，通过改进后的鲸鱼优化算计算各端口的最优出力实现光储直柔***整体成本最优。光储直柔***中主要包含光伏模块、储能模块、电动汽车充电模块以及电网端口，***的负载为电动汽车充电负荷。根据已知的光伏发电功率以及预测而得到的电动汽车充电负荷，采用改进的鲸鱼算法多次迭代，计算储能及电网端口各自最优出力使得考虑光储直柔***各方面成本的优化目标函数取值最小。计算所得各端口出力可以作为光储直柔***运行时的参考数据，为***最优成本运行提供数据支撑。
本申请中，光伏发出的能量被***消纳，不会出现光伏输出功率未被利用的情况，储能的调节作用使得***功率分配更灵活，也能有效降低成本，因此与现有方法相比，本申请能源利用率较高；通过预测算法计算电动汽车充电负荷，将负载的波动性考虑在内，适应性更换；改进后的鲸鱼算法是对传统鲸鱼算法在收敛因子、概率判断因子和种群多样性做出改进，相较于传统算法收敛速度更快、精度更高，可以更快速的寻找到更低总成本对应的运行方案。
实施例2
一种基于改进鲸鱼算法的光储直柔***成本优化的装置，包括：
预测模块，用于根据设定电动车数量，采用蒙特卡洛算法对电动汽车一天中的充电负荷进行预测，得到设定数量的电动汽车一天中充电的总负荷作为***负荷；
设定模块，用于设定光储直柔***各部分运行的限制条件，建立光储直柔***运行成本优化目标函数；其中，光储直柔***包括光伏模块、储能模块、电网端口以及预测模块得到的***负荷；
计算模块，用于采用改进的鲸鱼算法多次迭代，计算储能及电网端口各自最优出力，使得设定模块建立的目标函数计算结果最小。
预测模块建立的模型包括电动汽车每日行驶里程模型、充电时电动车电池荷电状态模型、电动汽车所需充电时长模型、充电开始时间模型和充电负荷模型，通过向电动汽车每日行驶里程模型输入电动汽车每日行驶里程，得到电动汽车每日行驶里程的概率密度分布函数值；通过向充电时电动车电池荷电状态模型输入电动汽车每日行驶里程，得到充电时电动车电池荷电状态SOC EV；通过电动汽车所需充电时长模型输入充电时电动车电池荷电状态模型获得的充电时电动车电池荷电状态SOC EV，得到电动汽车所需充电时长；通过向充电开始时间模型输入电动汽车开始充电时间，得到电动汽车开始充电时间的概率密度分布函数；通过向充电负荷模型输入电动汽车每日行驶里程的概率密度分布函数、充电时电动车电池荷电状态SOC EV、电动汽车所需充电时长值和电动汽车所需充电时长，得到设定数量的电动汽车一天中总的充电负荷。
电动汽车每日行驶里程模型为：
（1）；
式中，f（L）为电动汽车每日行驶里程的概率密度分布函数，L为电动汽车每日行驶里程，μ L和σ L分别为每日行驶里程的期望值和标准差；
充电时电动车电池荷电状态SOC EV模型为：
（2）；
式中，L m为电动汽车每日最大行驶里程；
电动汽车所需充电时长模型为：
（3）；
式中，C为电池容量，P为充电功率，k c为充电效率；
充电开始时间模型为：
（4）；
式中，f（t s）为电动汽车开始充电时间的概率密度分布函数；t s为电动汽车开始充电时间；μ t和σ t分别为开始充电时间t的期望值和标准差；其中，电动汽车开始充电时间t s为电动汽车完成一天全部行驶任务后接入充电的时间。
设定模块包括优化模块和限制模块，通向优化模块输入***整体年度成本、***整体维护成本和微电网***与交流电网交互成本，获得***整体优化目标函数模型；通过向限制模块输入光储直柔***各端口间满足功率动态平衡关系式、储能模块充放电功率、储能模块的荷电状态、电网端口变流器功率流动限值，获得***整体优化目标函数值的限制条件模型；
计算模块，用于采用改进的鲸鱼算法多次迭代，计算储能及电网端口各自最优出力，使得设定模块建立的目标函数计算结果最小。
***整体优化目标函数f通过如下公式获得：
（5）；
式中，C CRF为***整体年度成本，C M为***整体维护成本，C cons为微电网***与交流电网交互成本；λ1、λ2、λ3分别为***整体年度成本、***整体维护成本和微电网***与交流电网交互成本的权重系数；
光储直柔***各端口间满足功率动态平衡满足：
（6）；
式中，P PV（t）为光伏输出功率，P grid（t）为电网侧功率，P ESS（t）为储能输出功率，P EV（t）为电动汽车充电负荷；t为运行时刻；
储能模块充放电功率P ESS（t）以及储能模块的荷电状态SOC（t）的限值满足：
（7）；
（8）；
式中，为储能最大充电功率，/>为储能最大放电功率，SOC min为储能模块的荷电状态SOC下限，SOC max为储能模块的荷电状态SOC上限；
当前储能模块的荷电状态SOC（t）计算方法如下：
（9）；
式中，E max为储能最大容量，η为储能充放电系数；SOC（t-1）为上一时刻的储能模块的荷电状态；
电网侧功率P grid（t）流动需要在限值内，具体如下：
（10）；
式中，为电网最大充电功率，/>为电网最大放电功率。
***整体年度成本C CRF满足：
（11）；
式中，为光伏成本折算系数，/>为光伏安装费用，/>为储能成本折算系数，/>为储能安装费用；
***整体维护成本C M满足：
（12）；
式中，为电网端变流器维护成本系数，/>为储能端口维护成本系数，为光伏端口维护成本系数，t G为电网端变流器使用时间，t ESS为储能端口使用时间，t PV为光伏端口使用时间；
微电网***与交流电网交互成本C cons如下：
（13）；
式中，为电网输出功率，/>为电网回馈功率，C Grid为电网电费，C feed为上网电价。
计算模块包括初始化模型、位置搜寻模型、算法模型，通过向初始化模型输入收敛因子，光伏输出功率以及电动汽车充电负荷功率，获得储能模块的随机化功率；通过向位置搜寻模型输入收敛因子、概率判断因子和正态扰动因子，获得当前循环位置和下一次循环的位置；通过向算法模型输入当前目标函数值和当前迭代得到的函数值最小值，获得目标函数最小值以及目标函数所得最小值对应的光伏模块、储能模块、电网接口和***负荷的功率。
位置搜寻模型采用的公式如下：
随机搜寻位置，满足如下公式：
（19）；
（20）；
（21）；
（22）；
式中，为下一时刻位置，/>为当前时刻位置，/>为随机产生的起始位置，/>为当前个体与随机个体间的距离，/>和/>分别是系数向量，/>为收敛因子；/>为0至1间的随机数；
将收敛因子设置为：
（14）；
式中，t r为循环次数，t max为循环最大次数，λ为循环系数；
缩小搜寻范围：经过多次循环后，猎物位置被最优个体锁定，其他鲸鱼逐渐以包围的方式向最优位置靠拢，下一时刻位置可以表示为：
（23）；/>
（24）；
式中，为当前个体与最优个体间的距离，/>为当前寻找到的最优位置；
优化搜寻位置：在最优位置附近，鲸鱼以螺旋形式对猎物进行捕食，其下一时刻位置表示为：
（25）；
式中，b为对数螺旋常熟，l为-1到1间的随机数；
更新位置：
（26）；
式中，p为概率判断因子；
p的取值满足：
（15）；
式中，rsn（n, location, scale, shape）为偏态分布随机生成函数；n表示为偏态分布变量维度，location表示为偏态分布峰值出现位置，scale表示为偏态分布范围，shape表示为偏态分布形状参数；
设置正态扰动因子避免结果陷入局部最优：
（16）；
（17）；
（18）；
其中，；
算法模型，根据位置搜寻模型的结果计算目标函数所得最小值及其对应的光伏模块、储能模块、电网接口和***负荷的功率即为各自的最优出力。在循环开始后计算公式（5）中当前目标函数值，再将当前目标函数值与当前迭代得到的函数值最小值比较，接着按照公式（14）和公式（15）随机生成收敛因子和概率判断因子p，并根据收敛因子和概率判断因子p的值按照公式（16）至（18）得到下一次循环的位置，判断该位置是否满足约束条件，若满足则进入下一次循环，若不满足则将位置限制在约束条件内后再进入下一次循环，直到达到预设的最大迭代次数，目标函数所得最小值对应的光伏模块、储能模块、电网接口和***负荷的功率即为各自的最优出力。
实施例3
一种计算机装置，包括存储器以及一个或多个处理器，所述存储器中存储可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现实施例1所述的一种基于改进鲸鱼算法的光储直柔***成本优化方法。
实施例4
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时，实现实施例1所述的一种基于改进鲸鱼算法的光储直柔***成本优化方法。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，熟悉该领域的技术人员应该明白本发明包括但不限于附图和上面具体实施方式中描述的内容。任何不偏离本发明的功能和结构原理的修改都将包括在权利要求的范围中。

Claims (8)

1.一种基于改进鲸鱼算法的光储直柔***成本优化方法，其特征在于，包括如下步骤：
S1，设定电动车数量N，采用蒙特卡洛算法对电动汽车一天中的充电负荷进行预测，得到设定数量的电动汽车一天中充电的总负荷作为***负荷；
S2，设定光储直柔***各部分运行的限制条件，建立光储直柔***运行成本优化目标函数，其中，光储直柔***包括光伏模块、储能模块、电网端口以及步骤S1得到的***负荷；
建立***整体优化目标函数f如下：
（5）；
式中，C CRF为***整体年度成本，C M为***整体维护成本，C cons为微电网***与交流电网交互成本；λ 1、λ 2、λ 3分别为***整体年度成本、***整体维护成本和微电网***与交流电网交互成本的权重系数；
限制条件为：
光储直柔***各端口间满足功率动态平衡，具体如下：
（6）；
式中，P PV（t）为光伏输出功率，P grid（t）为电网侧功率，P ESS（t）为储能输出功率，P EV（t）为电动汽车充电负荷；t为运行时刻；
储能模块充放电功率P ESS（t）以及当前储能模块的荷电状态SOC（t）均需在限值内，具体如下：
（7）；
（8）；
式中，为储能最大充电功率，/>为储能最大放电功率，SOC min为储能模块的荷电状态SOC下限，SOC max为储能模块的荷电状态SOC上限；
当前储能模块的荷电状态SOC（t）计算方法如下：
（9）；
式中，E max为储能最大容量，η为储能充放电系数；SOC（t-1）为上一时刻的储能模块的荷电状态；
电网侧功率P grid（t）流动需要在限值内，具体如下：
（10）；
式中，为电网最大充电功率，/>为电网最大放电功率；
S3，采用改进的鲸鱼算法多次迭代，计算储能及电网端口各自最优出力，使得步骤S2中建立的目标函数计算结果最小；具体过程为：
S3.1，初始化：读取光伏输出功率以及电动汽车充电负荷功率，并对储能模块功率进行随机初始化；
S3.2，随机搜寻位置：
将收敛因子设置为：
（14）；
式中，t r为循环次数，t max为循环最大次数，λ为循环系数；
S3.3，缩小搜寻范围；
S3.4，优化搜寻位置；
S3.5，更新位置：
概率判断因子p的取值满足：
（15）；
式中，rsn（n, location, scale, shape）为偏态分布随机生成函数，n表示为偏态分布变量维度，location表示为偏态分布峰值出现位置，scale表示为偏态分布范围，shape表示为偏态分布形状参数；
S3.6，设置正态扰动因子避免结果陷入局部最优：
（16）；
（17）；
（18）；
其中，；
S3.7，在循环开始后计算公式（5）中当前目标函数值，再将当前目标函数值与当前迭代得到的函数值最小值比较，接着按照公式（14）和公式（15）随机生成收敛因子和概率判断因子p，并根据收敛因子/>和概率判断因子p的值按照公式（16）至（18）得到下一次循环的位置，判断该位置是否满足步骤S2中的约束条件，若满足则进入下一次循环，若不满足则将位置限制在约束条件内后再进入下一次循环，直到达到预设的最大迭代次数，目标函数所得最小值对应的光伏模块、储能模块、电网接口和***负荷的功率即为各自的最优出力。
2.根据权利要求1所述的基于改进鲸鱼算法的光储直柔***成本优化方法，其特征在于，步骤S1中，按蒙特卡洛算法获得***负荷的方式如下：
S1.1，建立电动汽车每日行驶里程的模型：
（1）；
式中，f（L）为电动汽车每日行驶里程的概率密度分布函数，L为电动汽车每日行驶里程，μ L和σ L分别为每日行驶里程的期望值和标准差；
S1.2，建立充电时电动车电池荷电状态SOC EV公式：
（2）；
式中，L m为电动汽车每日最大行驶里程；
S1.3，建立电动汽车所需充电时长T的模型：
（3）；
式中，C为电池容量，P为充电功率，k c为充电效率；
S1.4，建立充电开始时间模型：
（4）；
式中，f（t s）为电动汽车开始充电时间的概率密度分布函数；t s为电动汽车开始充电时间；μ t和σ t分别为开始充电时间t的期望值和标准差；其中，电动汽车开始充电时间t s为电动汽车完成一天全部行驶任务后接入充电的时间；
S1.5，根据公式（1）至公式（4），逐一计算各个电动汽车的充电负荷曲线，再将各个充电负荷曲线叠加，获得设定数量的电动汽车一天中总的充电负荷曲线。
3.根据权利要求1所述的基于改进鲸鱼算法的光储直柔***成本优化方法，其特征在于，***整体年度成本C CRF满足：
（11）；
式中，为光伏成本折算系数，/>为光伏安装费用，/>为储能成本折算系数，/>为储能安装费用；
***整体维护成本C M满足：
（12）；
式中，为电网端变流器维护成本系数，/>为储能端口维护成本系数，/>为光伏端口维护成本系数，t G为电网端变流器使用时间，t ESS为储能端口使用时间，t PV为光伏端口使用时间；
微电网***与交流电网交互成本C cons如下：
（13）；
式中，为电网输出功率，/>为电网回馈功率，C Grid为电网电费，C feed为上网电价。
4.根据权利要求1所述的基于改进鲸鱼算法的光储直柔***成本优化方法，其特征在于，步骤3.2满足：
（19）；
（20）；
（21）；
（22）；
式中，为下一时刻位置，/>为当前时刻位置，/>为随机产生的起始位置，为当前个体与随机个体间的距离，/>和/>分别是系数向量，/>为收敛因子；/>为0至1间的随机数。
5.根据权利要求4所述的基于改进鲸鱼算法的光储直柔***成本优化方法，其特征在于，步骤3.3具体过程为：经过多次循环后，猎物位置被最优个体锁定，其他鲸鱼逐渐以包围的方式向最优位置靠拢，下一时刻位置可以表示为：
（23）；
（24）；
式中，为当前个体与最优个体间的距离，/>为当前寻找到的最优位置。
6.根据权利要求5所述的基于改进鲸鱼算法的光储直柔***成本优化方法，其特征在于，步骤3.4具体过程为：在最优位置附近，鲸鱼以螺旋形式对猎物进行捕食，其下一时刻位置表示为：
（25）；
式中，b为对数螺旋常熟，l为-1到1间的随机数。
7.根据权利要求6所述的基于改进鲸鱼算法的光储直柔***成本优化方法，其特征在于，步骤3.5具体过程为：
（26）；
式中，p为概率判断因子。
8. 一种基于改进鲸鱼算法的光储直柔***成本优化的装置，其特征在于， 包括：
预测模块，用于设定电动车数量，并根据设定电动车数量采用蒙特卡洛算法对电动汽车一天中的充电负荷构建预测模型，得到设定数量的电动汽车一天中充电的总负荷作为***负荷预测模型；
设定模块，用于设定光储直柔***各部分运行的限制条件，建立光储直柔***运行成本优化目标函数；其中，光储直柔***包括光伏模块、储能模块、电网端口以及预测模块得到的***负荷；
计算模块，用于采用改进的鲸鱼算法多次迭代，计算储能及电网端口各自最优出力，使得设定模块建立的目标函数计算结果最小。
CN202310932184.4A 2023-07-27 2023-07-27 基于改进鲸鱼算法的光储直柔***成本优化方法及装置 Active CN116681468B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310932184.4A CN116681468B (zh) 2023-07-27 2023-07-27 基于改进鲸鱼算法的光储直柔***成本优化方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310932184.4A CN116681468B (zh) 2023-07-27 2023-07-27 基于改进鲸鱼算法的光储直柔***成本优化方法及装置

Publications (2)

Publication Number Publication Date
CN116681468A CN116681468A (zh) 2023-09-01
CN116681468B true CN116681468B (zh) 2023-11-28

Family

ID=87781249

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310932184.4A Active CN116681468B (zh) 2023-07-27 2023-07-27 基于改进鲸鱼算法的光储直柔***成本优化方法及装置

Country Status (1)

Country Link
CN (1) CN116681468B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109345005A (zh) * 2018-09-12 2019-02-15 中国电力科学研究院有限公司 一种基于改进鲸鱼算法的综合能源***多维寻优方法
CN109888806A (zh) * 2019-02-28 2019-06-14 武汉大学 一种含电动汽车的微电网储能优化配置方法
CN110070292A (zh) * 2019-04-23 2019-07-30 东华大学 基于交叉变异鲸鱼优化算法的微网经济调度方法
CN111310966A (zh) * 2019-11-21 2020-06-19 国网四川省电力公司经济技术研究院 含电动汽车充电站的微电网选址及优化配置方法
CN112418605A (zh) * 2020-10-19 2021-02-26 国网上海市电力公司 一种光储式充电站储能***优化运行方法
CN113013906A (zh) * 2021-02-23 2021-06-22 南京邮电大学 考虑电动汽车v2g模式下的光伏储能容量优化配置方法
CN115764845A (zh) * 2022-11-03 2023-03-07 国网浙江省电力有限公司 一种光伏储能直流微电网的电动汽车充电优化方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080285640A1 (en) * 2007-05-15 2008-11-20 Crestcom, Inc. RF Transmitter With Nonlinear Predistortion and Method Therefor

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109345005A (zh) * 2018-09-12 2019-02-15 中国电力科学研究院有限公司 一种基于改进鲸鱼算法的综合能源***多维寻优方法
CN109888806A (zh) * 2019-02-28 2019-06-14 武汉大学 一种含电动汽车的微电网储能优化配置方法
CN110070292A (zh) * 2019-04-23 2019-07-30 东华大学 基于交叉变异鲸鱼优化算法的微网经济调度方法
CN111310966A (zh) * 2019-11-21 2020-06-19 国网四川省电力公司经济技术研究院 含电动汽车充电站的微电网选址及优化配置方法
CN112418605A (zh) * 2020-10-19 2021-02-26 国网上海市电力公司 一种光储式充电站储能***优化运行方法
CN113013906A (zh) * 2021-02-23 2021-06-22 南京邮电大学 考虑电动汽车v2g模式下的光伏储能容量优化配置方法
CN115764845A (zh) * 2022-11-03 2023-03-07 国网浙江省电力有限公司 一种光伏储能直流微电网的电动汽车充电优化方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
基于信息熵的改进鲸鱼优化算法;刘历波;赵廷廷;李彦苍;王斌;;数学的实践与认识(第02期);全文 *
基于改进鲸鱼优化算法的特征选择方法研究;郭直清;中国优秀硕士学位论文全文数据库(信息科技辑);19 *
收敛因子非线性变化的鲸鱼优化算法;龙文;伍铁斌;唐斌;;兰州理工大学学报(第06期);全文 *
鲸鱼优化算法的改进与应用;朱玉;中国优秀硕士学位论文全文数据库(信息科技辑);20-21 *

Also Published As

Publication number Publication date
CN116681468A (zh) 2023-09-01

Similar Documents

Publication Publication Date Title
Garcia et al. Optimal energy management system for stand-alone wind turbine/photovoltaic/hydrogen/battery hybrid system with supervisory control based on fuzzy logic
CN111244988B (zh) 考虑分布式电源的电动汽车和储能优化调度方法
CN109936164A (zh) 基于电源互补特性分析的多能源电力***优化运行方法
CN110365034B (zh) 一种计及储能容量配置的微电网电能优化调度方法
CN111293718B (zh) 基于场景分析的交直流混合微网分区二层优化运行方法
CN112583017A (zh) 考虑储能运行约束的混合微电网能量分配方法及***
CN113850474B (zh) 一种热电氢多能流综合能源***及其优化调度方法
CN111404206A (zh) 考虑投资回报约束的风光储发电***容量双层规划方法
CN113783224A (zh) 一种考虑多种分布式能源运行的配电网双层优化规划方法
CN109787221B (zh) 一种微电网电能安全经济调度方法和***
CN112865075A (zh) 一种交直流混合微电网优化方法
Huangfu et al. An optimal energy management strategy with subsection bi-objective optimization dynamic programming for photovoltaic/battery/hydrogen hybrid energy system
CN117852927B (zh) 一种源网荷储一体化规划生产模拟方法、***及存储介质
CN115852434A (zh) 一种制氢控制方法及相关装置
CN115882460A (zh) 一种考虑需求侧管理的两阶段新能源微电网优化调度方法
CN114243708A (zh) 一种基于交流模型的输电网扩展规划优化方法
CN103972913B (zh) 一种基于边际发电能耗的抽蓄电站日运行方式优化方法
CN117559526A (zh) 一种基于光储充一体化充电站的拟路由器能量调控方法
CN116681468B (zh) 基于改进鲸鱼算法的光储直柔***成本优化方法及装置
CN115940284B (zh) 一种考虑分时电价的新能源制氢***的运行控制策略
CN116362396A (zh) 一种风光储耦合制氢***的容量优化配置方法及***
CN116054250A (zh) 一种储能分组的风光储耦合制氢***调度方法
CN115841216A (zh) 计及分布式光伏消纳率的配电网储能优化配置方法
CN116316800A (zh) Vpp优化调度模型风光出力场景生成方法
CN115085227A (zh) 一种微电网源储容量配置方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant