【光伏、风力、电池】基于准对立气味代理优化（QOBL-SAO）莱维飞行变体（LFQOBL-SAO）算法的光伏、风力、电池系统优化应用研究（Matlab代码实现）

?💥💥💞💞欢迎来到本博客💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

💥1 概述

📚2 运行结果

🎉3?参考文献

🌈4 Matlab代码及数据

---

摘要
本研究开发了两种新颖的算法：准对立气味代理优化（QOBL-SAO）及其莱维飞行变体（LFQOBL-SAO），并将它们的性能与传统的气味代理优化（SAO）进行了比较。进行了两项研究。首先，在解决十个基准函数和五个CEC2020真实世界优化问题方面，测试了这些新颖算法的能力。其次，将它们应用于为尼日利亚村庄的一家医疗中心优化混合光伏（PV）/风力/电池、PV/电池和风力/电池电力系统。使用上述位置的负载需求、光伏和风力概况开发了混合系统。所有仿真均在MATLAB软件中进行。结果表明，这些新颖算法能够解决基准函数和CEC2020真实世界约束优化竞赛。特别是，QOBL和LF-QOBL的性能与IUDE、MAgES和iLSHAD算法等表现最佳的函数一样出色。然而，在收敛时间、最低能量成本（LCE）和总年化成本（TAC）方面，这些新颖算法在光伏/风力/电池优化应用中优于SAO。采用LFQOBL-SAO和QOBL-SAO时，混合光伏/风力/电池系统是成本效益最高的，其TAC值为15100美元。此外，结果表明LFQOBL-SAO方法准确且优于QOBL-SAO和SAO算法。

介绍
温室气体（GHG）排放引起了这一代人的关注，由于技术进步、人口增长以及全球变暖现象的令人信服的证据，人们越来越专注于利用可再生能源（RES）[1]，[2]。在公共事业网络不可用的孤立和偏远地区，RES被确定为可行的电力供应解决方案[3]，[4]。RES包括风能、太阳能、生物质能、地热能以及其他自然资源。这些能源被认为是最丰富的，因为它们几乎可以在地球的任何地方找到，而且可能永远不会耗尽，但它们也是最不可预测的[5]，[6]。与化石燃料相比，大多数RES是间歇性的，并受天气影响，对能源生产产生负面影响。为了解决这个问题，RES可以与其他常规能源和能量存储系统结合，提供更可靠的能源来源。系统内负载需求的突然增加也可以通过将这些RES以混合形式结合来满足[7]，[8]。

部分代码：

clc;close all;
format long
tic

Data=xlsread('Val_Data.xlsx');
N=250;%input('Provide the Number of Smell Molecules:= ');%INITIAL POPULATION
clc
T=3;%Temperature of gas molecules.
% fitness=input('Press 1 to Select Ackley [D=2] Press 2 to Select Adjiman [D=2] Press 3 to Select Alpin F1 [D=2] Press 4 to Select Beale [D=2] Press 5 to Select Bird [D=2] Press 6 to Select Bohachevsky [D=2] Press 7 to Select Boot [D=2] Press 8 to Select Box [D=3] Press 9 to Select Bukin F6 [D=2] Press 10 to Select Colville [D=4] Press 11 to Select CM [D=2] Press 12 to Select Cross-in-Tray [D=2] Press 13 to Select Dejong F4 [D=2] Press 14 to Select Easom [D=2] Press 15 to Select Egg Crate [D=2] Press 16 to Select Ellipsoid [D=30] Press 17 to Select Goldstein Price [D=2] Press 18 to Select Grienwank [D=30] Press 19 to Select Holder Table 1 [D=2] Press 20 to Select Kowalik [D=4] Press 21 to Select LM F1 [D=2] Press 22 to Select Michalewicz [D=5] Press 23 to Select Matyas [D=2] Press 24 to Select Mishra [D=30] Press 25 to Select McComic [D=3] Press 26 to Select Neumaier F3 [D=2] Press 27 to Select Quadratic [D=30] Press 28 to Select Rastrigin [D=5] Press 29 to Select Rosenbrock [D=2] Press 30 to Select Sphere [D=30] Press 31 to Select Styblinkis Tang [D=2] Press 32 to Select Step [D=5] Press 33 to Select Sal [D=30] Press 34 to Select Schaffer [D=2] Press 35 to Select Shchwefel [D=2] Press 36 to Select Subert F1 [D=5] Press 37 to Select Watson [D=6] Press 38 to Select Yang F3 [D=2] Press 39 to Select Zirilli [D=2] = '); ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?
% itr=300;%input('Provide the value of iteration:= ');
D=3;%input('Provide the Search Dimension:= ');%Number of decision variables or problem dimension.
K=1.38064852*10^(-23);% This is the boltzman constant
Iter=100;
Run=50;
SN=2.5;
lb=[0,0,0];%Lower Bound of Decision Variables
ub=[100,100,50];%Upper bound of decision variables
m=2.4;%This is the mass of the molecules.
% Initial population (position) of the gas molecules as follows
tic
CostFunction=@AnualCost;
for R=1:Run
for k=1:Iter ? ?
?
? ? for i=1:N
? ? for j=1:D ? ? ? ? ? ?
? ? ? ? molecules(i,j)=lb(j)+rand()*(ub(j)-lb(j));%Defind the initial positions of the smell molecules. ? ?
? ? end
? ? end
% molecules=rand(N,D);
v=molecules*0.1;
molecules=molecules+v;%Initial populaation of SAO
molecules=Quasi_Oppositional(molecules,lb,ub);
for i=1:N
? ? y(i)=CostFunction(molecules(i,:));%Evaluate the fitness of the initial smell molecules
end
[ymin,index]=min(y);%Obtain the fitness of the best molecule
x_agent=molecules(index,:);%Determin the agent
olf=3.5;%ymin/(sum(y)/N);%Determine the Olfaction capacity of the agent.
% iteration=0;
% while iteration<=itr
% ? ? Implementing the sniffing mode
? ? for i=1:N
? ? ? ? for j=1:D
% ? ? ? ? ? ? Update the molecular Velocity
? ? ? ? ? ? v(i,j)=(v(i,j)+rand*sqrt(3*K*T/m));
? ? ? ? end
? ? end?
% ? ? perform sniffing
? ? for i=1:N
? ? ? ? for j=1:D
? ? ? ? ? ? molecules(i,j)=molecules(i,j)+v(i,j);
? ? ? ? end
? ? end
? ? for i=1:N
? ? ? ? ys(i)=CostFunction(molecules(i,:));
? ? end
? ? [ysmin,sindex]=min(ys);
? ? xs_agent=molecules(sindex,:);
? ? [ysmax,sidx]=max(y);
? ? x_worst=molecules(sidx,:);%Determin the position of worst smell molecule
? ? if ysmin<ymin
? ? ? ? xs_agent=molecules(sindex,:);
? ? ? ? ymin=ysmin;
? ? end
? ? %%
? ? %Evaluate the Trailing mode
? ? for i=1:N
? ? ? ? for j=i:D
? ? ? ? ? ? molecules(i,j)=molecules(i,j)+rand*olf*(x_agent(1,j)-abs(molecules(i,j)))...
? ? ? ? ? ? ? ? -rand*olf*(x_worst(1,j)-abs(molecules(i,j)));
? ? ? ? end
? ? end
? ? %Make sure no smell molecules excape the boundary?
? ? for i=1:N
? ? ? ? for j=1:D
? ? ? ? ? ? if molecules(i,j)<lb(j)
? ? ? ? ? ? ? ? molecules(i,j)=lb(j); ? ? ? ? ?
? ? ? ? ? ? elseif molecules(i,j)>ub(j)
? ? ? ? ? ? ? ? molecules(i,j)=ub(j);
? ? ? ? ? ? end
? ? ? ? end
? ? end
? ? %Evaluate the fitness of the Trailing mode
? ? for i=1:N
? ? ? ? yt(i)=CostFunction(molecules(i,:));
? ? end
? ? [ytmin,tindex]=min(yt);
? ? %%
% ? ? Compare the fitness of the trailing mode and the sniffing mode
% ? and implement the random mode ? ?
? ? for i=1:N
? ? ? ? for j=1:D
? ? ? ? ? ? if yt(i) < ys(i)
? ? ? ? ? ? ? ? Best_Molecule(i,j)=yt(1,1);
? ? ? ? ? ? elseif yt(i) > ys(i) ? ? ? ? ? ?
? ? ? ? ? ? ? ? molecules(i,j)=molecules(i,j)+rand()*SN;
? ? ? ? ? ? ? ? molecules(i,j)=molecules(i,j)+(v(i,j)+rand*sqrt(3*K*T/m));
? ? ? ? ? ? ? ? molecules(i,j)=molecules(i,j)+rand*olf*(x_agent(1,j)-abs(molecules(i,j)))...
? ? ? ? ? ? ? ? -rand*olf*(x_worst(1,j)-abs(molecules(i,j)));
? ? ? ? ? ? end
? ? ? ? end
? ? end
? ? molecules=Quasi_Oppositional(molecules,lb,ub);
? ? for i=1:N
? ? ? ? ybest(i)=CostFunction(molecules(i,:));
? ? end
? ? [SmellObject,Position]=min(abs(ybest));?
% ? ? W=molecules(Position)
?% ? ? if iteration==1
% ? ? ? ? disp(sprintf('Iteration Best particle Objective fun'));
% ? ? end
% ? ? disp(sprintf('%8g %8g %8.4f',iteration,Position,SmellObject));
Object(k)=sort(SmellObject,'descend');
% disp(['Iteration ' num2str(k) ': Smell Object = ' num2str(Object(k))]);
% ? ? iteration=iteration+1;
% end
end

% disp('The Smell Object is Obtained as: ');
Best_Object=sort(Object,'descend')';
% Best_Object=Object;

% disp('The Object Evapourating the Smell is')
[Smell_Object,Pos]=min(Object);
BestCost_Run(R)=Smell_Object;
end

toc

% Y=molecules(Position)
smell=round(molecules(Pos,:));
Pconv=375.62;%2000;% Converter/Inverter Price
Npv=smell(:,2)
Nwt=smell(:,1)
Nbat=smell(:,3)
Nconv=3;

Speed=Data(:,2);
Ins=Data(:,1);
% disp('The Power of PV System is: ')
CRF=0.070952457299230;
Ppv=PvPower(Ins)';
Pwt=WindPower(Speed)';
E_Load=Data(:,3);

Pl=E_Load;
Cwt=144.3;%1250;% Unit Cost of Wind Turbine
Cpv=31.2;% 240 Unit Cost of PV Pannels
%(Npv*Ppv)+(Nwt*Pwt)>=E_Load
E_Gen=(Npv*Ppv)+(Nwt*Pwt);

%%?
DOD=0.8;% Battery depth of discharge
Sbat=2.4;%Battery norminal capacity
Cmain_wt=154.3;% Maintanace cost of wind turbine
Cmain_pv=800;% Maintanace cost of PV Pannels
% Cmain_bat=90.95;% Maintanace cost of bat Pannels
Cbat=90.95;
Ccon=InverterWorth(Pconv,j);

SOCmax=2.4;
SOCCmin=(1-DOD)*Sbat;
SOCC1=abs(SOCC(Ppv,Pwt,Pl))';
SOCCmin<=SOCC1<=SOCmax;
SOCD1=abs(SOCD(Ppv,Pwt,Pl));
SOCDmin=SOCCmin;
if E_Gen<E_Load
? ? SOC=SOCD(Ppv,Pwt,Pl)';
else
? ? SOC=abs(SOCC(Ppv,Pwt,E_Load))';
end
PvCost=CRF*Cpv*Npv+(Cmain_pv*Npv)
CwtCost=CRF*Nwt*Cwt+(Cmain_wt*Nwt)
ConvCost=Nconv*InverterWorth(Pconv,j);
Bat_Cost=CRF*Nbat*Cbat
Conv_Cost=CRF*Nconv*Ccon
Total_Cost=PvCost+CwtCost+ConvCost+Conv_Cost+Bat_Cost
% Total_Cost=Smell_Object
Excess=Total_Cost-Smell_Object;
% Total_Cost=Smell_Object
LCE=(sum(E_Gen))/(Total_Cost+Smell_Object)
LPSs=LPS(Pl,Ppv*Npv,Pwt*Nwt,SOC);
LPSP=abs(LPSs/sum(Pl))';
disp('Loss of Power Supply Probability is: ')
LPSP=mean(mean(LPSP))*10^-3
disp('')
disp('')
disp('########The Excess Energy:######## ')
E_Ex=mean(E_Gen-E_Load)
figure(1)
plot(Best_Object+Excess,'b','LineWidth',2)
grid on
title('Optimization process','fontsize',12)
xlabel('Iteration Number','fontsize',12);ylabel('Anual Cost (Naira)','fontsize',12);
figure(2)
semilogy(Best_Object+Excess,'k','LineWidth',2);
grid on
title('Optimization process','fontsize',12)
xlabel('Iteration Number','fontsize',12);ylabel('Anual Cost (Naira)','fontsize',12);
% BestCost_Run=abs(BestCost_Run);
Best=Total_Cost
Worst=max(BestCost_Run+Excess)
Average=mean(BestCost_Run+Excess)
STD=std(BestCost_Run+Excess)
% figure('Name','Power Generated')
% bar(Power)
% xlabel('Time (Hours)')
% ylabel('Power (kW)')
% legend('PV Power','WT Power','Load','Battery Power')
?

文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。