买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：江苏省电力试验研究院有限公司;国网江苏省电力有限公司电力科学研究院;国网江苏省电力有限公司

摘要：本发明公开了一种基于改进人工鱼群算法的屋顶光伏装机容量优化方法，包括如下步骤：收集屋顶卫星图像组成屋顶卫星图像数据集，根据屋顶卫星图像数据集获取屋顶光伏装机容量信息数据；根据获得的信息数据，建立考虑多种影响屋顶光伏装机容量因素的数学模型；利用改进好的人工鱼群算法对数学模型进行求解，对屋顶光伏装机容量进行测算和优化，实现经济效益最大和社会效益最优。本发明集成了深度学习提取信息和多目标优化算法解决屋顶装机容量问题，旨在实现全省屋顶光伏安装经济效益最大和社会效益最优，实现屋顶面积大，光照强度好的屋顶能够优先开发。

主权项：1.一种基于改进人工鱼群算法的屋顶光伏装机容量优化方法，其特征在于，包括如下步骤：S1：收集屋顶卫星图像组成屋顶卫星图像数据集，根据屋顶卫星图像数据集获取屋顶光伏装机容量信息数据；S2：根据获得的信息数据，建立考虑多种影响屋顶光伏装机容量因素的数学模型；S3：利用改进好的人工鱼群算法对数学模型进行求解，对屋顶光伏装机容量进行测算和优化，实现经济效益最大和社会效益最优；步骤S2中数学模型包括经济效益模型和社会效益模型；步骤S2中经济效益模型的建立方法为：B1：构建投资花费数学模型： 其中，为地区i的屋顶安装光伏需要投资的总体花费成本，为地区i工商业楼房屋顶安装光伏花费成本，为地区i小区高楼屋顶安装光伏花费成本，为地区i平房屋顶安装光伏花费成本； 其中，为地区i的工商业楼房屋顶有效安装面积，CI为工商业楼房屋顶装机成本； 其中，为地区i的小区高楼屋顶有效安装面积，CH为小区高楼房屋顶装机成本； 其中，地区i的平房和农村屋顶有效安装面积，CB为平房和农村屋顶装机成本；B2：构建维修花费数学模型： 其中，为地区i的屋顶修正后安装光伏需要投资的总体花费成本，K1为维修修正系数；B3：构建发电收益数学模型： 为地区i的所有屋顶光伏带来的电费收益，为地区i的工商业屋顶光伏带来的电费收益，为地区i的小区高楼屋顶光伏带来的电费收益，为地区i的平房和农村屋顶光伏带来的电费收益； 其中，P1为采取自发自用模式下的电费价格，Ri为地区i的光伏屋顶年水平面总辐射量，25％为考虑光伏组件发电效率； 其中，P2为采取50％自发自用，50％余电上网模式下的电费价格； 其中，P3为采取全额上网模式下的电费价格；B4：构建经济效益最大数学模型： 其中，i取1到n，所有地区加起来的经济效益最好，考虑到光伏板的损耗，只选取15年产生的费用，Xi为地区i待安装光伏的面积，为地区i总体可安装光伏的有效面积；M1为经济效益，最终的目标就是希望经济效益取得最大；步骤S2中社会效益模型的建立方法为：C1：构建供需平衡数学模型：选取历史的光伏增机量为供需平衡的标准，并且对光伏和负荷增量进行预测，获得今年的光伏待装容量，可建立以下的数学模型：Si＝|Xi-Fi|#11其中，Si为地区i的供需平衡的缺额量，反映为社会效益，Fi为根据历史光伏装机量预测的今年该地区的屋顶光伏的增机量；C2：构建电网承载力模型：考虑电网的承载力有限，对上述模型进行不等式约束，需要每个地区的光伏屋顶的增量不超过电网所能接入光伏的承载量，可建立不等式约束模型：Xi≤Ui#12其中，Ui为综合历史光伏装机量和负荷的增长还有电网变压器承载上限等一系列影响电网承载力的因素得到的电网承载力上限；C3：构建社会效益模型：综合上述有关社会效益的数学模型，将全省各个地区的供需平衡缺额叠加得到社会效益,社会效益最优，得到下面数学模型： 其中，i取1到n，希望所有地区加起来得到的社会效益最优，为地区i的社会效益，M2为总体的社会效益；步骤S3中改进好的人工鱼群算法的求解寻优过程具体为：D1：初始化参数，产生初始鱼群：设置种群规模N、迭代次数T、最大迭代次数Tmax、视野Visual、拥挤度因子δ，试探次数Try_number、惯性权重w、加速因子c1与c2，初始化参数后在要求范围内采用Tent混沌映射初始化种群；D2：初始化公告牌：记录各条鱼当前状态，比较每条人工鱼的函数值大小，选取函数值最优的作为当前最优解记录在公告板上；D3：计算人工鱼视野和惯性权重：参照视野和惯性权重更新公式计算人工鱼视野和惯性权重；D4：执行移动策略：对每条人工鱼依次执行改进后的移动策略，每次执行完所有的移动行为后均与公告牌数值进行比较，若人工鱼当前状态函数值优于公告牌数值，则将当前人工鱼最优状态的函数值作为最优解记录在公告板上；D5：判断是否在人工鱼移动策略中结合变异操作：若人工鱼执行移动策略后未获得优于公告板的目标函数值，则引入变异操作与随机反向学习策略，继续执行步骤D6；否则跳转至步骤D7；D6：引入变异操作与随机反向学习策略：取公告牌中的人工鱼历史最优位置替换当前的最差人工鱼，以此形成新的鱼群；对新鱼群中的最优人工鱼采用混沌变异，其余人工鱼进行高斯变异，利用变异操作更新人工鱼位置，判断变异人工鱼位置是否更优，若变异个体更优则以变异个体替代原个体，随后执行随机反向学习策略；若变异个体未优于最优位置时，则依旧执行随机反向学习策略；在鱼群执行随机反向策略后同样进行比较，判断执行反向学习策略后的人工鱼状态是否优于人工鱼历史最优位置，若是则替代原个体从而更新种群，若否则直接更新种群，继续进行下一轮的迭代，执行步骤D4；D7：判断算法是否终止：若迭代次数T≥Tmax，则结束算法并输出最优解；否则继续迭代，执行D3与D4，且T＝T+1；步骤D4中改进后的移动策略具体为：人工鱼拥有觅食行为Prey、聚群行为Swarm、追尾行为Follow、随机行为Move四种移动行为；觅食行为Prey：在觅食行为的算法寻优过程中，设人工鱼AFi当前状态为Xi，在其感知距离Visual内随机移动并转变为Xj，比较两状态对应的目标函数值Yi、Yj，若满足YiYj，则Xi向Xj移动；否则进行循环寻找，进而进行人工鱼状态的更新；若尝试Try_number后仍未找到，则在视野范围内发生随机行为；Xj＝Xi+Visual*Rand#14 其中，Rand函数用于生成随机数，视野Visual表示人工鱼的视力范围，即人工鱼的感知距离，步长Step表示人工鱼每次尝试移动时的最大移动距离，Try_number为重复次数，表示人工鱼在移动前的最大试探次数；聚群行为Swarm：聚群行为中鱼会向鱼群较多的区域靠近，但是鱼群过于集中会导致局部极值的出现，故引入拥挤度因子δ来调节鱼群的聚集程度；设人工鱼AFi当前状态为Xi，视野范围为dijVisual，当前邻域内的伙伴数目为nf，中心位置的状态为Xc；若YcfδYi,则Xi向Xj移动，否则执行觅食行为； 追尾行为Follow：追尾行为模拟的是一条人工鱼寻找视野内食物度最优人工鱼并靠近的过程；设人工鱼AFi当前状态为Xi，视野范围为dijVisual，当前邻域内的伙伴数目为nf，当前邻域内的最优值为Yj，最优值对应状态为Xj，若YcfδYi,则Xi向Xj移动，否则执行觅食行为； 随机行为Move：随即行为是觅食行为的一个缺省行为，代表着人工鱼的随机移动；当觅食行为尝试Try_number后仍未找到更优状态时，人工鱼Xi可在视野范围内随机移动，并通过Move达到一个新状态； 人工鱼群经初始化后，每次迭代时，每一条人工鱼将会从四种基本行为中选择一种来执行；步骤D1中采用Tent混沌映射初始化种群的具体过程为：Tent映射结构表达式如下： xn是混沌映射前的种群个体，xn+1是混沌映射后的种群个体，据研究，当u＝0.5时，其Tent混沌映射的均匀性最好，因此此时Tent混沌映射可定义为： 引入随机变量来对Tent混沌映射进行改进，改进后的混沌序列表达式为： 其中，N为混沌序列内的粒子个数，rand0,1表示范围为[0，1]的随机数；步骤D5中变异操作包括高斯变异和混沌变异：高斯变异：高斯概率密度公式如下所示： 其中，μ表示为变量x的期望，σ2为x的方差，σ称为标准差，上式记为x～Nμ,σ2；当μ＝1、σ＝0，x～N0,1，即服从标准正态分布；高斯变异可定义为下式：Xi|next＝Xi*[1+N0,1]#26其中，Xi为人工鱼当前状态，Xi|next为高斯变异后人工鱼的状态，N0,1为服从标准高斯分布的随机函数；高斯分布特性可知，大多数变异算子分布在原始位置周围，此时相当于在原有位置周围进行小范围的邻域搜索，有利于提高算法的优化精度，跳出局部最优解；并且存在少数变异算子远离当前位置的情况，增加了种群的多样性，有利于探索潜在区域，加快算法脱离局部最优位置的概率，提高算法收敛趋势；混沌变异：采用与Tent映射不同的一维Logistic映射产生混沌序列，一维Logistic映射定义如下：xn+1＝μxn1-xn#27其中，xn∈[0,1]；μ为Logistic控制参数，其取值范围为μ∈[3.56,4]；当xn∈[0,1]，μ∈[3.56,4]时，则Logistic映射处于混沌状态；而当xn∈[0,1]，μ＝4时，Logistic映射则处于完全混沌状态；步骤D5中随机反向学习策略具体为：结合随机反向学习策略，反向学习策略是在种群寻优的过程中基于当前解产生对应的反向解，通过比较当前解和反向解的目标函数值来择优进行迭代；对于反向解的定义如下：若在n维坐标系内存在一点X，且X∈[Xmin,Xmax]，则其反向解X可由公式计算得到：X＝Xmin+Xmax-X#28对应到人工鱼群算法中，反向解可定义为：某条人工鱼的状态为X＝x1,x2,…,xn，对应的反向解为X＝x1,x2,…,xn，前者的第k维分量为xk，xk∈[ak,bk],ak和bk分别为xk的下限和上限，后者的第k维分量为xk，xk可由公式计算得出；xk＝ak+bk-xk#29采用随机反向学习策略来增加搜索空间种群的多样性，减少种群陷入局部极值的可能性；随机反向学习策略是在反向学习的基础上增加一个0,1的随机数，以此增加反向解空间种群的多样性；随机反向解计算公式如下所示：Xi|next＝Ximax+Ximin-r*Xi#30其中，Xi为人工鱼群的位置，Ximin和Ximax分别是人工鱼位置的上下限，r为[0，1]之间的随机数。

全文数据：

权利要求：

百度查询： 江苏省电力试验研究院有限公司 国网江苏省电力有限公司电力科学研究院 国网江苏省电力有限公司 一种基于改进人工鱼群算法的屋顶光伏装机容量优化方法