基于改进粒子群算法的混合储能系统容量优化（Matlab代码实现）

news2024/11/16 19:51:43

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

💥1 概述

📚2 运行结果

🎉3 文献来源

🌈4 Matlab代码及文章讲解

💥1 概述

摘要: 为了调高风光互补发电储能系统的经济性，减少其运行费用，研究风光互补发电储能系统的容量优化配置模型，探讨粒子群算法的改进及混合储能容量优化方法。首先通过对全生命周期费用静态模型的介绍，利用蓄电池和超级电容器作为风光互补系统混合储能装置，以其全生命周期费用最小为目标，以系统的缺电率等运行指标为约束条件，建立了一种混合储能系统容量优化配置模型，其次，通过优化不对称加速因子进而改进了粒子群算法，最后利用算例在 Matlab 中进行了仿真与求解，结果表明，该方法不仅优化了蓄电池的工作状态，降低了储能系统的全生命周期费用，而且加快了收敛速度。

关键词: 风光互补发电系统; 超级电容器; 混合储能; 粒子群算法; 加速因子

由于其优良的节能减排价值，风力发电和光伏发电近年来发展迅速，在风、光资源等较为充足的地

区，设立了一些风光互补发电系统［1 － 3］。但是由于风、光存在不稳定性和间歇性等特点，需要在风光互补发电系统中配置储能系统来平抑功率的波动。常用的储能装置包括电容器和蓄电池，蓄电池的能量比高，方便长时间存储电能，能增加整个发电系统的能量调节范围，但蓄电池的功率密度低、循环寿命短、有一定的环境污染，并且风、光的不稳定和间歇性等问题会加大系统中储能部分的费用; 超级电容器功率密度大、充放电速度快、循环寿命长，有助于抑制系统的短时功率波动。为优化蓄电池充放电状态，显著减少蓄电池充电和放电次数，延长其使用寿命，可将蓄电池和超级电容器混合做为储能装置，实现互补，称之为混合储能系统［4 － 6］。为了进一步提高

储能系统的经济性，国内外很多学者开展了储能系统容量配置的大量研究，但是大部分只是考虑了储能器件的初次购置费用，而未考虑储能装置使用过程中的安装、维护以及废弃等方面所需费用，即全生命周期费用［7 － 10］。因此，以储能装置的全生命周期费用为优化目标，通过算法改进，合理配置蓄电池和超级电容器的个数，优化容量配置，成为风光互补发电混合储能系统的研究方向之一，特别是以全生命周期费用最小为目标，建立风光互补混合储能系统容量优化配置模型和算法研究。

📚2 运行结果

原文结果：

复现结果图：

部分代码：

%% funm

function y=funm(pop)

Ew=[277.6 238.5 243.4 240.4 238.5 222.2 208.8 205.8 205.7 236.3 265.4 310.7];%风电每个月发出的电量
Es=[31.3 37.8 54.8 60.63 69.93 67.07 65.03 62.02 59.92 43.6 31.47 26.74];%太阳能每个月发出的电量
El=[294.5 266 285 273 294.5 283 295 281 282 294 285 299];%负荷每个月发出的电量
yitac=0.95;%逆变器功率转换效率
delE=(Ew+Es)*yitac-El;%功率缺额（发电量-负荷）: ΔE = (E w (k) + E s (k))η c － E L (k)
Eb=zeros(1,12);
Ec=zeros(1,12);
Elps=0;%缺电量
for k=1:12
if delE(k)>0 %发电发得多
if k == 1
[Ebt,Ect]=pro1(delE(k),pop,0,0);%pro1
else
[Ebt,Ect]=pro1(delE(k),pop,Eb(k-1),Ec(k-1));
end
Eb(k)=Ebt;
Ec(k)=Ect;
else
delE(k)=-1*delE(k);
if k == 1
[Ebt,Ect,Elps]=pro2(delE(k),pop,Elps,0,0);%pro2
else
[Ebt,Ect,Elps]=pro2(delE(k),pop,Elps,Eb(k-1),Ec(k-1));
end
Eb(k)=Ebt;
Ec(k)=Ect;
end
end