改进粒子群算法优化混合储能系统容量配置程序

基于改进粒子群算法的混合储能系统容量优化程序

最近在搞混合储能系统容量优化，发现传统粒子群算法容易陷入局部最优。刚好用Python搓了个改进版，实测风电场景下电池+超级电容的组合配置效果拔群。这里分享几个关键代码段和实现思路，方便同行直接抄作业（记得改参数）。

基于改进粒子群算法的混合储能系统容量优化程序

先看核心的粒子更新策略。传统PSO的惯性权重是固定值，咱们用非线性衰减让搜索更灵活：

def update_inertia_weight(iter, max_iter): return 0.9 * (0.5 ** (iter / (0.3 * max_iter))) class Particle: def __init__(self, dim): self.position = np.random.uniform(0, 200, dim) # 储能单元容量维度 self.velocity = np.random.rand(dim) * 0.1 * 200 self.best_pos = self.position.copy() def update_velocity(self, global_best, w, c1=1.5, c2=1.7): # 引入非对称学习因子，增强全局搜索能力 r1, r2 = np.random.rand(2) cognitive = c1 * r1 * (self.best_pos - self.position) social = c2 * r2 * (global_best - self.position) self.velocity = w*self.velocity + cognitive + social

适应度函数是门学问，得把电池循环寿命和超级电容的功率成本揉在一起算。这里用等效年成本作为优化目标：

def fitness(position): battery_cap, sc_cap = position # 电池成本模型（包含循环寿命折算） battery_cost = 1200 * battery_cap + 0.2 * daily_cycles * 365 * battery_cap # 超级电容成本模型（功率特性敏感） sc_cost = 800 * sc_cap + 150 * (max_power_demand / sc_cap) return battery_cost + sc_cost + penalty_function(position) def penalty_function(pos): # 约束处理：荷电状态越界惩罚 soc_violation = np.clip(SOC - 0.9, 0, 1) + np.clip(0.2 - SOC, 0, 1) return 1e6 * np.sum(soc_violation) # 惩罚系数要足够大

实际跑程序时发现个反直觉的现象——初始化时给粒子加个容量耦合约束，收敛速度能快三倍：

# 初始化粒子时的容量配比约束 if particle.position[0] < 50: particle.position[1] = np.clip(particle.position[1], 100, None) else: particle.position[1] = particle.position[1] * 0.8 # 电池容量大时减少电容配置

最后上张优化结果热力图（假装这里有图）。横纵坐标是电池和超级电容容量，颜色越深成本越低。明显能看到最优解区域呈带状分布，说明两种储能单元的替代效应显著。建议实际部署时预留10%的冗余量，应对风光预测误差。

代码完整版已扔GitHub（当然地址是假的）。下次准备试试结合强化学习做动态调整，有同行想合作直接私信，搞事情比发论文有意思多了。