(5)生产者积极寻找食物,乞食者随机跟随一位生产者寻找食物。
通过一定的规则,将上述生物行为以数学的方式表达,即形成算法中种群的更新策略。
算法流程
针对本文采用的微电网多目标优化模型,结合鸟群算法的具体流程如下所述。
①初始化鸟群算法各参数,在满足各种约束条件下产生种群,初始化各类型机组每一时段出力,每个个体对应一套调度方案。
②计算各目标适应度值,判断各个体的支配关系,筛选出非劣解,并从中随机选取个体作为全局最优解。
③根据算法的更新策略完成种群的进化,同时限定各机组出力使得满足约束条件。
④计算新种群的适应度值,判断支配关系形成新的非劣解,并与旧非劣解合并,剔除重复个体,更新历史最优解。
⑤判断是否满足终止条件。若是,输出最终非劣解集,否则迭代次数加1,回到③继续进化种群。
算例分析
为验证本文所提算法的有效性,以含光伏阵列、风力发电机、微型燃气轮机、柴油发电机、储能电池和负荷的微电网系统为例进行多目标优化调度,分别采用粒子群算法、微分进化算法和鸟群算法求解。引入均匀度作为评价指标,对比分析可知,在不影响运算时间的基础上,鸟群算法较于另两者具有更高的收敛精度和解集质量。
在电力系统的实际运行中,调度方案一般只有一个,最后通过最短归一化距离法从众多Pareto非劣解中筛选出一个作为可供实施的决策方案。
结论
构建了以微电网运行成本及环境污染度为目标的微电网多目标优化模型,并采用鸟群算法进行求解。该算法是PSO和DE的有效结合,较于二者具有更强的最优解搜索能力,通过与PSO和DE寻优效果的算例对比,充分体现了该算法的高效性。今后的工作方向将着重于对求解模型的改进,本文光伏和风机出力采用预测值,与实际值有一定偏差,可将此偏差考虑在内完善模型,使得优化调度结果更具有实用价值。