檢視基于改进郊狼优化算法的光伏智能边缘终端优化配置方法的原始碼

{| class="wikitable" align="right"
|-
|<center><img src=https://p6.itc.cn/q_70/images03/20210705/6a05c6c1cc264917b9519e8155af6a32.png width="310"></center>
<small>[https://www.sohu.com/a/475558776_321349 来自 搜狐网 的图片]</small>
|}

'''基于改进郊狼优化算法的光伏智能边缘终端优化配置方法'''光伏智能边缘终端（PVIET）是实现分布式[[光伏]]规模化接入配电网高效率智慧运维的重要设备之一。

==一、案例简介==

该项目构建光伏智能边缘终端优化配置的数学模型，为实现模型的准确求解，进一步提出一种改进的郊狼优化算法（ICOA）。为解决郊狼优化算法精度不足、收敛速度缓慢等问题，提出全新的[[社会]]互助郊狼成长策略和单维组内最优郊狼扰动[[策略]]，引入模拟退火、自适应精英保留策略，以让该算法更加适合所提出的工程问题，实现对 PVIET 的数量、位置及与光伏电站<ref>[https://www.sohu.com/a/260377975_196867 光伏电站的发电原理、组成、主要设备、运行和维护] ，搜狐，2018-10-18</ref>连接方式三个方面的求解。最后，改进的 IEEE 69 案例验证了模型的有效性，通过算法对比，验证了改进郊狼优化算法在精度、稳定性和收敛性等方面的优越性

==二、技术要点==

为实现一台 PVIET 高效率、低成本采集管理区域配电网<ref>[https://www.sohu.com/a/127658166_549761 配电网知识大全，定义、分类、特点完全解析！]，搜狐，2017-03-07 </ref>内多个分布式光伏站，本项目提出了一种基于改进 COA 的 PVIET 优化配置方法。首先，阐述了 PVIET 的主要功能与支持的[[通信]]方式。其次，考虑 PVIET 的等年值投资成本、年通信成本及保障数据采集可靠性的成本，提出了一种 PVIET 优化配置模型，并应用改进郊狼优化算法对模型进行求解，获得 PVIET 在配电网中布点数量和位置。其中，改进的郊狼优化算法通过引入随机分组策略加强郊狼种群的信息交流，建立基于社会互助的新型郊狼成长方式，并应用混合模拟退火算法提高算法求解精度，引入自适应的精英保留策略提升算法收敛速度。通过单维组内最优郊狼扰动策略，提高组内最优狼[[质量]]的同时避免郊狼的全维度成长对部分维度的优良信息的掩盖。最后，通过改进的 IEEE 69 节点仿真算例，验证了本文提出 PVIET 优化配置模型的可行性，通过算法对比，说明了改进郊狼优化算法在精度、稳定性和收敛性等方面的优越性。

==三、应用场景==

分布式光伏

==四、应用成效==

1）本项目为实现一台价格昂贵的 PVIET 采集管理区域配电网中多个分布式光伏站的优化设计，提出了基于改进郊狼优化算法的 PVIET 优化配置模型。仿真结果表明，在充分考虑保障数据采集可靠性[[成本]]的前提下，达成了 PVIET 的合理优化配置，大幅度降低成本，可为 PVIET 优化规划[[设计]]提供依据。 2）为解决郊狼优化算法处理复杂问题精度不足以及收敛速度缓慢的问题，本文提出一种全新的社会互助郊狼成长策略，以及利用随机分组策略、模拟退火与自适应精英保留策略的改进郊狼优化算法。仿真结果表明，改进算法在 PVIET 数量为 4~9 时进行 50 次独立实验时，改进郊狼优化算法的精度较原来分别提升了 18.37%、27.72%、35.67%、38.91%、 42.95%、45.65%、46.14%；相对于粒子群算法精度分别提升了 18.20%、23.52%、29.79%、33.95%、36.49%、39.33%、39.82%；相对于正余弦算法精度分别提升了 20.39%、26.43%、31.95%、35.42%、38.19%、40.48%、41.05%，且最优解与最劣解之间峰谷差小。同时，在收敛性比较中，改进郊狼优化算法相比于 COA、PSO、SCA 的收敛速度更快。本项目在算法上的改进可为郊狼优化算法在[[电力]]系统中的推广应用提供参考。

==参考文献==
[[Category:500 社會科學類]]