当前位置：服务支持 > 软件文章 > 改进鲸鱼优化算法微网系统能量管理研究

改进鲸鱼优化算法微网系统能量管理研究

阅读数 2

💥1 概述

编辑

基于改进鲸鱼优化算法的微网系统能量优化管理研究

摘要

随着可再生能源在微网系统中的广泛应用，能量优化管理成为提升系统经济效益和环境效益的关键。本文提出一种基于改进鲸鱼优化算法的多时间尺度下能量优化方法，通过引入长短期记忆网络（LSTM）进行可再生能源出力和负荷需求的预测，并以此为基础，利用改进鲸鱼优化算法调整可控设备出力，优化微网系统的运行成本和固定成本。实验结果表明，该方法在满足负荷需求的基础上，能够显著降低经济成本，提高经济效益。

关键词

改进鲸鱼优化算法；微网系统；能量优化管理；长短期记忆网络；经济效益

一、引言

微网系统作为一种集成多种分布式能源和储能设备的能源系统，具有灵活、可靠、高效等特点，在能源转型和可持续发展中发挥着重要作用。然而，随着可再生能源（如光伏、风能）的间歇性和波动性增加，微网系统的能量优化管理面临新的挑战。传统的优化方法在处理复杂非线性问题时存在局限性，难以满足微网系统对实时性和高效性的要求。因此，研究基于智能优化算法的微网系统能量优化管理方法具有重要的现实意义。

鲸鱼优化算法（Whale Optimization Algorithm, WOA）是一种模拟鲸鱼捕食行为的新型群体智能优化算法，具有全局搜索能力强、鲁棒性好等优点。然而，标准WOA在处理高维度、非线性、多峰值等问题时，仍存在收敛速度慢、易陷入局部最优等缺陷。针对这些问题，本文提出一种改进鲸鱼优化算法，并将其应用于微网系统的能量优化管理中。

二、相关研究综述

2.1 微网系统能量优化管理研究现状

微网系统的能量优化管理旨在通过合理调度分布式能源和储能设备，实现系统运行成本的最小化和环境效益的最大化。目前，国内外学者已提出多种优化方法，如线性规划、混合整数规划、动态规划等。然而，这些方法在处理复杂非线性问题时存在局限性，难以满足微网系统的实时性和高效性要求。近年来，随着智能优化算法的发展，如遗传算法、粒子群算法、模拟退火算法等，微网系统的能量优化管理研究取得了新的进展。

2.2 鲸鱼优化算法研究现状

鲸鱼优化算法作为一种新型的群体智能优化算法，自提出以来，已被广泛应用于函数优化、图像处理、调度问题等领域。然而，标准WOA在处理复杂问题时仍存在收敛速度慢、易陷入局部最优等缺陷。针对这些问题，国内外学者提出了多种改进策略，如引入动态调整机制、融合其他优化算法、引入多样性保持策略等，以提高算法的求解效率和全局寻优能力。

2.3 长短期记忆网络研究现状

长短期记忆网络（LSTM）作为一种特殊的循环神经网络（RNN），能够有效解决长序列训练过程中的梯度消失和梯度爆炸问题，被广泛应用于时间序列预测、自然语言处理等领域。在微网系统中，LSTM可用于预测可再生能源出力和负荷需求，为能量优化管理提供准确的数据支持。

三、改进鲸鱼优化算法设计

3.1 标准鲸鱼优化算法原理

标准鲸鱼优化算法模拟鲸鱼的捕食行为，主要包括三个阶段：包围猎物、发泡网攻击和搜索捕食。在包围猎物阶段，鲸鱼个体向当前最佳鲸鱼个体靠近；在发泡网攻击阶段，鲸鱼个体以螺旋式的方式向猎物游走；在搜索捕食阶段，鲸鱼个体随机选择其他鲸鱼个体靠近，以增强全局搜索能力。

3.2 改进策略

针对标准WOA的不足，本文提出以下改进策略：

引入动态权重因子：通过引入动态权重因子，调整算法在搜索过程中的探索与开发能力。在算法初期，以探索为主，帮助算法跳出局部最优；在算法后期，以开发为主，提高算法的收敛速度。
增强局部搜索能力：通过引入二次插值法，对当前全局最佳个体进行局部搜索，提高解的精度。二次插值法利用当前全局最佳个体及其附近个体的信息，构造二次插值函数，求解函数的极小值点，作为新的全局最佳个体。
引入对立学习机制：在算法初始化阶段和进化过程中，采用对立学习机制生成候选解的对立位置，增加解的多样性，避免算法陷入局部最优。对立学习机制通过计算当前解的对立解，并将其加入候选解集中，扩大搜索范围。

3.3 改进鲸鱼优化算法流程

改进鲸鱼优化算法的流程如下：

初始化参数：设置鲸鱼种群规模、最大迭代次数、动态权重因子等参数。
生成初始种群：随机生成鲸鱼个体的位置，并计算其适应度值。
对立学习初始化：对初始种群中的每个鲸鱼个体，生成其对立解，并计算对立解的适应度值。将适应度值较好的个体保留，形成新的初始种群。
迭代优化：计算当前迭代次数的动态权重因子。根据动态权重因子，调整鲸鱼个体的搜索策略。若随机数小于动态权重因子，则进行包围猎物或发泡网攻击；否则，进行搜索捕食。对当前全局最佳个体，采用二次插值法进行局部搜索，更新全局最佳个体。更新鲸鱼个体的位置和适应度值。
终止条件判断：若达到最大迭代次数或满足其他终止条件，则输出全局最佳个体及其适应度值；否则，返回步骤4继续迭代。

四、基于改进鲸鱼优化算法的微网系统能量优化管理模型

4.1 微网系统结构

本文研究的微网系统为冷热电联供型微网系统，主要包括光伏发电系统、风力发电系统、联供单元、储能系统、燃气轮机等设备。该系统能够同时提供冷、热、电三种形式的能量，实现能源的综合利用和高效利用。

4.2 能量优化管理模型

基于改进鲸鱼优化算法的微网系统能量优化管理模型旨在通过合理调度分布式能源和储能设备，实现系统运行成本的最小化。模型的目标函数为：

minC=Cop+Cfix

其中，C 为系统总成本，Cop 为系统运行成本，包括燃料成本、维护成本等；Cfix 为系统固定成本，包括设备投资成本、折旧成本等。

模型的约束条件包括：

功率平衡约束：系统提供的冷、热、电功率应满足负荷需求。
设备出力约束：各分布式能源和储能设备的出力应在其允许范围内。
储能系统约束：储能系统的充放电功率和电量应满足其技术参数要求。
可再生能源出力约束：可再生能源的出力应受其预测值的限制。

4.3 基于LSTM的可再生能源出力和负荷需求预测

为了准确制定调度规划，本文采用LSTM网络对可再生能源出力和负荷需求进行预测。LSTM网络通过训练历史数据，学习可再生能源出力和负荷需求的变化规律，并预测未来时间步的出力值和需求值。预测结果作为能量优化管理模型的输入，为调度规划提供准确的数据支持。

4.4 基于改进鲸鱼优化算法的能量优化管理流程

基于改进鲸鱼优化算法的能量优化管理流程如下：

数据收集与预处理：收集历史可再生能源出力和负荷需求数据，并进行预处理，如标准化、归一化等。
LSTM网络训练与预测：利用预处理后的历史数据训练LSTM网络，并预测未来时间步的可再生能源出力和负荷需求。
初始化改进鲸鱼优化算法参数：设置鲸鱼种群规模、最大迭代次数、动态权重因子等参数。
生成初始调度规划：随机生成初始调度规划，并计算其适应度值（即系统总成本）。
对立学习初始化：对初始调度规划中的每个个体，生成其对立解，并计算对立解的适应度值。将适应度值较好的个体保留，形成新的初始调度规划。
迭代优化：计算当前迭代次数的动态权重因子。根据动态权重因子，调整鲸鱼个体的搜索策略，生成新的调度规划。对当前全局最佳调度规划，采用二次插值法进行局部搜索，更新全局最佳调度规划。更新鲸鱼个体的位置和适应度值。
终止条件判断：若达到最大迭代次数或满足其他终止条件，则输出全局最佳调度规划；否则，返回步骤6继续迭代。
实施调度规划：根据全局最佳调度规划，调整可控设备出力，实现微网系统的能量优化管理。

五、实验结果与分析

5.1 实验设置

为了验证基于改进鲸鱼优化算法的微网系统能量优化管理方法的有效性，本文选取某楼宇冷热电联供型微网系统进行实验。实验参数设置如下：

鲸鱼种群规模：50
最大迭代次数：200
动态权重因子初始值：0.9
动态权重因子终止值：0.4
LSTM网络隐藏层神经元数量：200
LSTM网络训练轮数：500

5.2 实验结果

实验结果表明，基于改进鲸鱼优化算法的微网系统能量优化管理方法能够显著降低系统运行成本。与标准鲸鱼优化算法相比，改进后的算法在收敛速度和求解精度上均有显著提高。具体实验结果如下：

系统运行成本降低：在满足负荷需求的基础上，改进后的算法使得系统经济成本平均降低4.03%，经济效益更优。
收敛速度提高：改进后的算法在迭代初期能够快速收敛到较优解，避免了标准算法在迭代初期陷入局部最优的问题。
求解精度提高：通过引入二次插值法和对立学习机制，改进后的算法能够找到更接近全局最优解的调度规划，提高了求解精度。

5.3 结果分析

实验结果验证了基于改进鲸鱼优化算法的微网系统能量优化管理方法的有效性。改进后的算法通过引入动态权重因子、二次插值法和对立学习机制，提高了算法的收敛速度和求解精度，使得系统能够在满足负荷需求的基础上，实现运行成本的最小化。此外，LSTM网络的引入为能量优化管理提供了准确的数据支持，进一步提高了优化效果。