[发明专利]一种光伏智能边缘终端优化布局方法

权利要求书

1.一种光伏智能边缘终端优化布局方法，其特征是以经济性最优为目标进行光伏智能边缘终端优化布局，对区域范围内光伏智能边缘终端的数量、位置，与分布式光伏站连接的拓扑结构三个方面进行优化，包括以下步骤：

步骤1，建立光伏智能边缘终端优化布局模型，以经济性指标设定优化的目标函数，并确定光伏智能边缘终端布局的约束条件，包括光伏智能边缘终端的通信连接约束、布局资金约束、数据容量约束、通信距离约束和接口数量约束；

步骤2，设布局的光伏智能边缘终端的数量为N，需要配置终端的分布式光伏站的数量为M，根据模型约束条件，设布局中光伏智能边缘终端的最低数量为Nmin，最高为数量Nmax＝M，Nmax状态即表示所有分布式光伏站均配置一台光伏智能边缘终端；初始状态下N＝Nmin，并计算此时的成本C作为当前最低成本为Cmin，初始状态下光伏智能边缘终端的最优布局数量Nbest＝Nmax；

步骤3，在光伏智能边缘终端数量N的基础下，通过粒子群算法求解出在该数量下的最优光伏智能边缘终端的位置以及光伏智能边缘终端与各个分布式光伏站的连接方式；

所述粒子群算法如下：

(1)初始化种群每个粒子的位置X_l＝(x_l1,x_l2,…x_lQ)和速度V_l＝(v_l1,v_l2,…v_lQ)，Q表示搜索空间的维度；

(2)计算每个粒子的适应度值F[l]；

(3)对每个粒子，用它的适应度值F[l]与个体极值p_l比较，如果F[l]＞p_l，则用F[l]替换p_l；

(4)对每个粒子，用它的适应度值F[l]与全局极值p_g比较，如果F[l]＞p_g，则用F[l]替换p_g；

(5)更新粒子的速度V_l和位置X_l；粒子群算法中对粒子状态更新如下:

式中，分别是第k次迭代中的第l个粒子的位置与速度；分别是在第k+1次迭代中的第l个粒子的位置与速度；w表示惯性权重；c₁,c₂为粒子的学习因子；r₁,r₂为[0,1]内均匀分布的随机数；p_l为第l个粒子的个体极值；p_g为全局极值；

(6)如果迭代次数达到最大，退出算法并输出最优结果；

其中，对粒子群算法进行改进，针对惯性权重w提出一种凸函数递减法与随机惯量权重法组合的惯性权重自适应方法，具体如下：

w＝wmin+(1-k/kmax)²wmax+r_pc_p (19)

式中，wmin为设置的最小惯性权重，wmax为设置的最大惯性权重，k为当前迭代次数，kmax为最大迭代次数，r_p为[-1,1]之间均匀分布的随机数，c_p代表权重改变的幅值；

在粒子群算法迭代中，引入郊狼优化算法中幼狼的出生操作，粒子出生与死亡的步骤如下：

(1.1)在粒子速度与位置更新完毕后，将粒子随机分成f组，每组有c个粒子，c＞2，以组为单位对f个小组分别进行新粒子的出生与死亡操作，设最初粒子的年龄均为0，每次所有粒子的出生与死亡操作后，所有粒子的年龄加1；

(1.2)在一组粒子中，随机选择两个粒子cr₁、cr₂作为新粒子的父母，并选择两个随机维度q₁和q₂；

(1.3)按下式生成该组的新粒子pup与新粒子的速度pupv

其中，pup为该组的新粒子，pupv为该组新粒子的速度，下标q表示当前维度，cr₁、cr₂为在该组内随机选取的新粒子的父母，与分别代表粒子cr₁、cr₂在q维度上的决策变量，与分别代表粒子cr₁、cr₂的速度在q维度上的变量值；r_q为[0,1]内均匀分布的随机数，R_q是粒子在第q维决策变量范围与内随机产生的变异值；V_q是粒子速度在第q维的速度限幅内随机产生的变异值；P_s和P_a分别是散射概率和关联概率，它们决定着粒子被遗传和变异的情况，按下式进行计算：

P_s＝1/U (21)

P_a＝(1-P_s)/2 (22)

其中，U表示解空间的维度；

(1.4)新粒子出生后，计算比较组内粒子与新粒子的适应度值，当组内只有一个粒子的适应度比新粒子差时，则此粒子死亡，新粒子存活，并设新粒子的年龄为0；当组内有多个粒子的适应度比新粒子差时，年龄最大的粒子死亡，如果这些粒子的年龄相同,则适应度最差的粒子死亡，新粒子存活，并设新粒子的年龄为0；组内所有粒子的适应度都比新粒子好时，新粒子死亡；

步骤4，记录光伏智能边缘终端的数量为N时的最优粒子与最优粒子对应的成本C；

步骤5，将步骤4的结果与步骤2的最低成本Cmin比较，若成本C低于此时的全局最低成本Cmin，用成本C更新全局最低成本Cmin，用当前数量N更新全局最优数量Nbest；

步骤6，如果N＝M-1，退出算法，并输出全局最优数量Nbest对应的粒子，即最优方案，否则，N＝N+1，并返回步骤3。