基于GA遗传优化的混合发电系统优化配置算法matlab仿真

目录

1.课题概述

2.系统仿真结果

3.核心程序与模型

4.系统原理简介

4.1遗传算法基本原理

4.2 混合发电系统优化配置问题

4.3 基于GA的优化配置算法

染色体编码

初始种群生成

适应度函数

选择操作

交叉操作

变异操作

5.完整工程文件

1.课题概述

      基于GA遗传优化的混合发电系统优化配置算法,优化风力发电，光伏发电以及蓄电池发电。

2.系统仿真结果

3.核心程序与模型

版本：MATLAB2022a

...................................................................................
[Apv,Aw,Cb,CT,LPSP,Pdump,Pdeficit,SOC,Iteration,BestJ,Bfi]=GASolveHybirdSystemSize(WindDataPV,SolarDataPVR,LoadDataPV,Apv_max,Aw_max,Cb_max);
Apv,Aw,Cb,CT,LPSP


figure(1);
plot(Iteration,BestJ); 
xlabel('Number of generations');ylabel('Total cost($)');
grid on;


figure(2);
plot(Iteration,Bfi);
xlabel('Number of generations');ylabel('Best F');
grid on;
i=1:1:8760;


figure(3);
subplot(311);
plot(i,LoadDataPV,'r');
xlabel('Time(h)');ylabel('Load data(kW) ');
grid on;
subplot(312);
func_plot_phist(LoadDataPV,50);
xlabel('Load data(kW)');
ylabel('Percent(%)');
title('原数据概论图');
subplot(313);
func_plot_phist2(LoadDataPV,50);
xlabel('Load data(kW)');
ylabel('Percent(%)');
title('去掉两端极值后概论图');


figure(4);
subplot(311);
plot(i,WindDataPV,'y');
xlabel('Time(h)');ylabel('Wind speed(m/s)');
grid on;
subplot(312);
func_plot_phist(WindDataPV,50);
xlabel('Wind speed(m/s)');
ylabel('Percent(%)');
title('原数据概论图');
subplot(313);
func_plot_phist2(WindDataPV,50);
xlabel('Wind speed(m/s)');
ylabel('Percent(%)');
title('去掉两端极值后概论图');

figure(5);
subplot(311);
plot(i,SolarDataPVR,'g');
xlabel('Time(h)');ylabel('Hourly solar irradiation(kWh/m2)');
grid on;
subplot(312);
func_plot_phist(SolarDataPVR,50);
xlabel('Hourly solar irradiation(kWh/m2)');
ylabel('Percent(%)');
title('原数据概论图');
subplot(313);
func_plot_phist2(SolarDataPVR,50);
xlabel('Hourly solar irradiation(kWh/m2)');
ylabel('Percent(%)');
title('去掉两端极值后概论图');

i=1:1:8760+1;
figure(6);
subplot(311);
plot(i,Pdump,'m');
xlabel('Time(h)');ylabel('Excess power(W)');
subplot(312);
func_plot_phist(Pdump,50);
xlabel('Excess power(W)');
ylabel('Percent(%)');
title('原数据概论图');
subplot(313);
func_plot_phist2(Pdump,50);
xlabel('Excess power(W)');
ylabel('Percent(%)');
title('去掉两端极值后概论图');

figure(7);
subplot(311);
plot(i,Pdeficit,'k');
xlabel('Time(h)');ylabel('Deficient power(W)');
grid on;
subplot(312);
func_plot_phist(Pdeficit,50);
xlabel('Deficient power(W)');
ylabel('Percent(%)');
title('原数据概论图');
subplot(313);
func_plot_phist2(Pdeficit,50);
xlabel('Deficient power(W)');
ylabel('Percent(%)');
title('去掉两端极值后概论图');

figure(8);
Pdeficit_month = zeros(floor(length(Pdeficit)/720),1);
for mm = 1:length(Pdeficit_month)
    Pdeficit_month(mm) = sum(Pdeficit(720*(mm-1)+1:720*mm));
end
j = 1:length(Pdeficit_month);
subplot(311);
plot(j,Pdeficit_month,'k-o');
xlabel('Month');ylabel('Deficient power(W)');
grid on;
subplot(312);
func_plot_phist(Pdeficit_month,50);
xlabel('Deficient power(W)');
ylabel('Percent(%)');
title('原数据概论图');
subplot(313);
func_plot_phist2(Pdeficit_month,50);
xlabel('Deficient power(W)');
ylabel('Percent(%)');
title('去掉两端极值后概论图');


figure(9);
subplot(311);
plot(i,SOC,'g');
xlabel('Time(h)');ylabel('SOC(%)');
grid on;
subplot(312);
func_plot_phist(SOC,50);
xlabel('SOC');
ylabel('Percent(%)');
title('原数据概论图');
subplot(313);
func_plot_phist2(SOC,50);
xlabel('SOC');
ylabel('Percent(%)');
title('去掉两端极值后概论图');

figure(10);
plot3(i,Pdump,SOC,'g');
xlabel('Time(h)');ylabel('Pdump(W)');zlabel('SOC(%)');
grid on;


%7、画出风力发电机在这一年中产生的功率图
load WindTurbingPower.mat 
figure(11);
j = 1:length(Pw)
subplot(311);
plot(j,Pw,'k-');
xlabel('hour');ylabel('WindTurbingPower(W)');
grid on;
Pw_month = zeros(floor(length(Pw)/720),1);
for mm = 1:length(Pw_month)
    Pw_month(mm) = sum(Pw(720*(mm-1)+1:720*mm));
end
j = 1:length(Pw_month);
subplot(312);
plot(j,Pw_month,'k-');
xlabel('Month');ylabel('WindTurbingPower(W)');
grid on;
subplot(313);
func_plot_phist(Pw,50);
xlabel('WindTurbingPower(W)');
ylabel('Percent(%)');
 



%8、画出光伏发电机在这一年中产生的功率图
load SolarPower.mat 
figure(12);
j = 1:length(Ppv)
subplot(311);
plot(j,Ppv,'k-');
xlabel('hour');ylabel('SolarPower(W)');
grid on;
Ppv_month = zeros(floor(length(Ppv)/720),1);
for mm = 1:length(Ppv_month)
    Ppv_month(mm) = sum(Ppv(720*(mm-1)+1:720*mm));
end
j = 1:length(Ppv_month);
subplot(312);
plot(j,Ppv_month,'k-');
xlabel('Month');ylabel('SolarPower(W)');
grid on;
subplot(313);
func_plot_phist(Ppv,50);
xlabel('SolarPower(W)');
ylabel('Percent(%)');
 
%9、画出风力发电机和光伏发电机在这一年中产生的总功率图
figure(13);
PP= Pw + Ppv;
j = 1:length(PP)
subplot(311);
plot(j,PP,'k-');
xlabel('hour');ylabel('总功率(W)');
grid on;
PP_month = zeros(floor(length(PP)/720),1);
for mm = 1:length(PP_month)
    PP_month(mm) = sum(PP(720*(mm-1)+1:720*mm));
end
j = 1:length(PP_month);
subplot(312);
plot(j,PP_month,'k-');
xlabel('Month');ylabel('总功率(W)');
grid on;
subplot(313);
func_plot_phist(PP,50);
xlabel('总功率(W)');
ylabel('Percent(%)');
02_020m

4.系统原理简介

        基于遗传算法（Genetic Algorithm, GA）的混合发电系统优化配置算法是一种通过模拟自然进化过程来求解优化问题的方法。在混合发电系统中，通常包含多种不同类型的发电单元，如风力发电、光伏发电、柴油发电机等。这些发电单元在成本、效率、可靠性等方面存在差异，因此需要通过优化配置来实现系统的经济性、可靠性和环保性等目标。

4.1遗传算法基本原理

       遗传算法是一种启发式搜索算法，它模拟了生物进化过程中的自然选择和遗传学原理。在遗传算法中，问题的解被编码成“染色体”（或称为“基因串”），每个染色体代表问题的一个潜在解。算法通过选择、交叉（杂交）和变异等操作来不断迭代优化染色体，最终找到问题的最优解或近似最优解。

4.2 混合发电系统优化配置问题

       混合发电系统的优化配置问题可以描述为：在给定的负荷需求、资源条件和技术经济参数的约束下，确定各种发电单元的最优容量配置，以最小化系统的总成本（包括投资成本、运行维护成本、燃料成本等），同时满足系统的可靠性、环保性等要求。

4.3 基于GA的优化配置算法

染色体编码

        在混合发电系统的优化配置问题中，每个染色体可以表示为一个发电单元的容量配置方案。例如，对于一个包含风力发电、光伏发电和柴油发电机的系统，染色体可以编码为 [风力发电机容量, 光伏发电容量, 柴油发电机容量]。

初始种群生成

        初始种群是遗传算法的起点，它由一定数量的随机生成的染色体组成。这些染色体代表了问题的潜在解。

适应度函数

       适应度函数用于评估染色体的优劣。在混合发电系统的优化配置问题中，适应度函数通常与系统的总成本成反比。即，成本越低的配置方案具有更高的适应度。

选择操作

        选择操作根据染色体的适应度来选择优秀的染色体进入下一代。常用的选择方法有轮盘赌选择、锦标赛选择等。

交叉操作

       交叉操作模拟了生物进化中的基因重组过程。在遗传算法中，通过交换两个染色体的部分基因来生成新的染色体。

变异操作

        变异操作模拟了生物进化中的基因突变过程。在遗传算法中，通过随机改变染色体中的某个基因来引入新的遗传信息。

       例如，对于染色体 [风力发电机容量, 光伏发电容量, 柴油发电机容量]，可以选择变异其中的光伏发电容量部分，将其替换为一个随机生成的新值。

5.完整工程文件

v

v

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：/a/341389.html

如若内容造成侵权/违法违规/事实不符，请联系我们进行投诉反馈qq邮箱809451989@qq.com，一经查实，立即删除！

相关文章

GZ036 区块链技术应用赛项赛题第4套

GZ036 区块链技术应用赛项赛题第4套

2023年全国职业院校技能大赛 高职组 “区块链技术应用” 赛项赛卷（4卷） 任 务 书 参赛队编号： 背景描述 随着消费需求的不断变化，消费者对于食品安全的关注度越来越高，不仅要求生鲜肉品的肥瘦比例、脂肪…
阅读更多...
基于springboot+vue的网上点餐系统(前后端分离)

基于springboot+vue的网上点餐系统(前后端分离)

博主主页：猫头鹰源码 博主简介：Java领域优质创作者、CSDN博客专家、公司架构师、全网粉丝5万、专注Java技术领域和毕业设计项目实战 主要内容：毕业设计(Javaweb项目|小程序等)、简历模板、学习资料、面试题库、技术咨询 文末联系获取 背景和意…
阅读更多...
什么是VUE 创建第一个VUE实例

什么是VUE 创建第一个VUE实例

一、什么是Vue 概念：Vue (读音 /vjuː/，类似于 view) 是一套 构建用户界面 的 渐进式 框架 Vue2官网：Vue.js 1.什么是构建用户界面 基于数据渲染出用户可以看到的界面 2.什么是渐进式 所谓渐进式就是循序渐进，不一定非得把Vu…
阅读更多...
【GoLang入门教程】Go语言工程结构详述

【GoLang入门教程】Go语言工程结构详述

程序员裁员潮：技术变革下的职业危机 文章目录 程序员裁员潮：技术变革下的职业危机前言总结:专栏集锦强烈推荐写在最后 前些天发现了一个巨牛的人工智能学习网站，通俗易懂，风趣幽默，忍不住分享一下给大家。点击跳转到网…
阅读更多...
Viessmann Vitogate RCE漏洞复现(CVE-2023-45852)

Viessmann Vitogate RCE漏洞复现(CVE-2023-45852)

0x01 产品简介 Viessmann Vitogate 300是用于将Viessmann LON连接到BACnet或Modbus的网关。 0x02 漏洞概述 Vitogate 300 组件/cgi-bin/vitogate.cgi中的一个问题允许未经身份验证的攻击者绕过身份验证，通过特制的请求执行任意命令，可导致服务器失陷。…
阅读更多...
“libpng warning: iCCP: known incorrect sRGB profile” ：图片或SVG加载不出来的问题，C++或Qt

“libpng warning: iCCP: known incorrect sRGB profile” ：图片或SVG加载不出来的问题，C++或Qt

加载图片时因为依赖第三方库缺失，报错！！！ ERROR或Warning : libpng warning: iCCP: known incorrect sRGB profile 然后我的解决办法也是网上大佬们的思路，在可执行同级目录下，放以下依赖库。 注意的地方…
阅读更多...
Xcode查看APP文件目录

Xcode查看APP文件目录

一、连接真机到MAC电脑上 二、打开Devices 点击window -> Devices and Simulatores 三、选中设备、选择app 四、选择下载内容 五、查看文件内容 得到的文件 右键显示包内容，获得APP内数据 六、分发证书无法下载 使用分发的证书无法下载文件内容&#xf…
阅读更多...
Web 开发 1: Flask 框架介绍和使用

Web 开发 1: Flask 框架介绍和使用

在 Web 开发中，Flask 是一个流行且灵活的 Python Web 框架，用于构建 Web 应用程序。它简洁而易于上手，适用于小型到中型的项目。在本篇博客中，我将为你介绍 Flask 框架的基础知识和常用技巧，帮助你更好地掌握 Web 开发…
阅读更多...
基于扩散模型语音驱动人物头像说话模型：DreamTalk

基于扩散模型语音驱动人物头像说话模型：DreamTalk

1 DreamTalk介绍 DreamTalk：由清华大学、阿里巴巴和华中科大共同开发的一个基于扩散模型让人物头像说话的框架。 能够根据音频让人物头像照片说话、唱歌并保持嘴唇的同步和模仿表情变化。这一框架具有以下特点: DreamTalk能够生成高质量的动画，使人物脸…
阅读更多...
在线测径仪 各行业可用

在线测径仪 各行业可用

在线测径仪——外径检测设备，生产截面为圆形的产品，重点品质检测之一，目前越来越多的厂家也在积极采用在线测径仪进行产品的品质实时检测，以提高效率与品质，甚至有很多厂家进行复购，多产线应用，…
阅读更多...
【软件测试】学习笔记-JMeter 的核心概念

【软件测试】学习笔记-JMeter 的核心概念

这篇文章主要介绍 JMeter 的核心概念，完善对测试工具的认识。 为什么是 JMeter 性能测试有很多工具，JMeter、Loadrunner、Locust、nGrinder 都不乏粉丝。有人认为做性能测试重要的不是工具，是思想。但从学习实践的角度讲，工具在…
阅读更多...
关于缓存 db redis local 取舍之道

关于缓存 db redis local 取舍之道

文章目录 前言一、影响因素二、db or redis or local1.db2.redis3. local 三、redisson 和 CaffeineCache 封装3.1 redisson3.1.1 maven3.1.2 封装3.1.3 使用 3.2 CaffeineCache3.1.1 maven3.1.2 封装3.1.3 使用 总结 前言 让我们来聊一下数据缓存，它是如何为我们带…
阅读更多...
React三大属性

React三大属性

我是南城余！阿里云开发者平台专家博士证书获得者！ 欢迎关注我的博客！一同成长！ 一名从事运维开发的worker，记录分享学习。 专注于AI，运维开发，windows Linux 系统领域的分享！ 知…
阅读更多...
x-cmd pkg | hurl - HTTP 请求处理工具

x-cmd pkg | hurl - HTTP 请求处理工具

目录 简介首次用户功能特点竞品和相关作品进一步探索 简介 Hurl 是 HTTP 请求处理工具，支持使用简单的纯文本格式定义的 HTTP 请求。它的用途非常广泛，既可以用于获取数据，也可以用于测试HTTP会话。 它可以链式处理请求，捕获数值…
阅读更多...
微服务Spring Cloud架构详解

微服务Spring Cloud架构详解

"Spring Cloud为开发人员提供了快速构建分布式系统中一些常见模式的工具（例如配置管理，服务发现，断路器，智能路由，微代理，控制总线）。分布式系统的协调导致了样板模式, 使用Spring Cloud开…
阅读更多...
如何通过系统命令排查账号安全？

如何通过系统命令排查账号安全？

如何通过系统命令排查账号安全 query user 查看当前登录账号 logoff id 注销用户id net user 查看用户 net user username 查看用户登录情况 lusrmgr.msc 查看隐藏账号 winR打开regedit注册表 找到计算机\HEKY_LOCAL_MACHINE\SAM\SAM\右键给与用户读写权限 刷新打开 HKEY…
阅读更多...
BACnet路由器 BA101专为实现BACnet IP和BACnet MS/TP协议之间的相互转化而研发的。

BACnet路由器 BA101专为实现BACnet IP和BACnet MS/TP协议之间的相互转化而研发的。

随着通讯技术和控制技术的发展，为了实现楼宇的高效、智能化管理，集中监控管理已成为楼宇智能管理发展的必然趋势。在此背景下，高性能的楼宇暖通数据传输解决方案——协议转换网关应运而生，广泛应用于楼宇自控和暖通空调系统应用中…
阅读更多...
opencv#28 图像卷积

opencv#28 图像卷积

图像卷积 图像卷积是图像处理中最为基础的操作之一，其常用在图像的边缘检测，图像的去噪声以及图像压缩等领域。 图像卷积主要步骤: Step1:将卷积模板旋转180。 Step2:卷积模板移动到对应位置。 Step3:模板内求和，保存求和结果。 Step4:滑…
阅读更多...
vue封装接口

vue封装接口

目录 封装接口前缀 配置逻辑 接口存放文件 配置代理 获取数据方法 封装接口前缀 config.js const serverConfig {baseURL: "https://xxx.xxxxxxxx.com/api", // 请求基础地址,可根据环境自定义useTokenAuthorization: false, // 是否开启 token 认证};export …
阅读更多...
YOLOv8改进 | Conv篇 | 2024.1月最新成果可变形卷积DCNv4（适用检测、Seg、分类、Pose、OBB）

YOLOv8改进 | Conv篇 | 2024.1月最新成果可变形卷积DCNv4（适用检测、Seg、分类、Pose、OBB）

一、本文介绍 本文给大家带来的改进机制是2024-1月的最新成果DCNv4，其是DCNv3的升级版本，效果可以说是在目前的卷积中名列前茅了，同时该卷积具有轻量化的效果！一个DCNv4参数量下降越15Wparameters左右，。它主要通过两个方面对前一版本DCNv3进行改进：首先，它移除了空间聚…
阅读更多...
最新文章

Copyright @ 2022~2023