当前位置：首页 > news >正文

粒子群算法储能容量优化配置，有三篇参考。物有所值关键词：储能优化配置粒子群储能充放电优...

news 2026/5/12 16:44:04

粒子群算法储能容量优化配置，有三篇参考。物有所值关键词：储能优化配置粒子群储能充放电优化主要内容：建立了储能的成本模型，包含运行维护成本以及容量配置成本，然后以该成本函数最小为目标函数，经过粒子群算法求解出其最优运行计划，并通过其运行计划最终确定储能容量配置的大小，求解采用的是PSO算法（粒子群算法），求解效果极佳，

最近在捣鼓电动汽车充电站的储能配置方案，发现粒子群算法（PSO）这东西用来找最优储能容量真是把瑞士军刀。今天咱们就手撕代码，看看怎么用一群"智能粒子"帮企业省下真金白银。

先看个真实场景：某充电站每天要应对波动的充电需求。假设电池组每增加1kWh容量，初期投入增加800元，每年维护费是造价的5%。我们的目标是找到既能扛住用电高峰，又让总成本最低的储能配置方案。

建模环节最关键的是成本函数。这里把总投资拆成两块：容量成本（买电池的钱）和运维成本（伺候电池的钱）。数学表达式大概长这样：

def total_cost(capacity, daily_cycles): capex = 800 * capacity / (10 * 365) # 运维成本每天计算 opex = 800 * 0.05 * capacity / 365 # 电池循环损耗成本（假设每次充放电损耗0.02元/kWh） cycle_cost = 0.02 * daily_cycles return capex + opex + cycle_cost

接下来上主菜——粒子群算法。我们定义每个粒子代表一个可能的储能配置方案，包含两个维度：容量大小和日充放电次数。算法核心在于让这些"方案粒子"在解空间里飞着找最低成本点。

class Particle: def __init__(self, dims): self.position = [random.uniform(100, 1000), random.uniform(1, 5)] # 容量范围100-1000kWh，日循环1-5次 self.velocity = [0.0 for _ in range(dims)] self.best_pos = self.position.copy() self.best_cost = float('inf') def pso_optimize(): particles = [Particle(2) for _ in range(20)] global_best = [500, 3] # 初始猜测值 global_best_cost = float('inf') for epoch in range(100): for p in particles: current_cost = total_cost(p.position[0], p.position[1]) if current_cost < p.best_cost: p.best_cost = current_cost p.best_pos = p.position.copy() if current_cost < global_best_cost: global_best_cost = current_cost global_best = p.position.copy() # 粒子速度更新（核心逻辑） for p in particles: for i in range(2): inertia = 0.8 * p.velocity[i] cognitive = 1.5 * random.random() * (p.best_pos[i] - p.position[i]) social = 1.5 * random.random() * (global_best[i] - p.position[i]) p.velocity[i] = inertia + cognitive + social p.position[i] += p.velocity[i] print(f"迭代{epoch}: 最优容量{global_best[0]:.1f}kWh, 日循环{global_best[1]:.1f}次") return global_best

代码里几个关键点值得注意：