基于改进蚁狮优化算法的储能容量的优化方法及装置与流程

1.本技术涉及储能技术领域，尤其涉及基于改进蚁狮优化算法的储能容量的优化方法、装置及电子设备。


背景技术：

2.目前在电力系统中，传统的储能技术多采用锂离子电池储能，然而，锂离子电池存在循环寿命短，安全性能差和功率密度低等问题，影响储能工程的质量和经济性，与锂离子电池相比，超级电容具有充放电速度快、功率密度大、循环寿命长、安全性能高等优点，结合了超级电容和蓄电池的混合储能系统形成了电力调频技术的新选择。
3.但是，混合储能系统中存在着容量优化的问题，在对混合储能系统的储能容量进行优化时往往采用传统优化算法(蚁狮优化算法等)，然而，传统优化算法往往容易陷入局部最优解、收敛速度慢、寻优能力较弱等，导致获取混合储能系统的最优的储能容量不够准确，由此，如何提升了算法的收敛速度及寻优能力，进而准确地得到混合储能系统最优的储能容量，以提高混合储能系统运行的稳定性和经济性已经成为了亟待解决的问题。


技术实现要素：

4.本技术旨在至少在一定程度上解决相关技术中的技术问题之一。
5.为此，本技术的第一个目的在于提出一种基于改进蚁狮优化算法的储能容量的优化方法，用于解决现有技术中存在的传统优化算法往往容易陷入局部最优解、收敛速度慢、寻优能力较弱等，导致获取混合储能系统的最优的储能容量不够准确的技术问题。
6.为了实现上述目的，本技术第一方面实施例提供了一种基于改进蚁狮优化算法的储能容量的优化方法，该方法包括：获取混合储能系统的设备参数，其中，所述设备参数包括蓄电池参数和超级电容参数；基于所述蓄电池参数和所述超级电容参数，构建目标函数；获取所述目标函数的约束条件；响应于满足所述约束条件，基于改进蚁狮优化算法对所述目标函数进行求解，确定所述系统的最优储能容量。
7.另外，根据本技术上述实施例的一种基于改进蚁狮优化算法的储能容量的优化方法，还可以具有如下附加的技术特征：
8.根据本技术的一个实施例，所述基于所述蓄电池参数和所述超级电容参数，构建目标函数，包括：基于所述蓄电池参数和所述超级电容参数，确定所述混合储能系统的设备购入费用、设备运行费用、设备维护费用和设备处理费用；将所述设备购入费用、所述设备运行费用、所述设备维护费用和所述设备处理费用进行求和，以获取所述混合储能系统的全生命周期费用，以所述全生命周期费用的最小值为目标构建目标函数。
9.根据本技术的一个实施例，所述蓄电池参数包括蓄电池个数及单价、蓄电池运行参数、蓄电池保养系数和蓄电池处理参数，所述超级电容参数包括超级电容个数及单价、超级电容运行参数和超级电容处理参数。
10.根据本技术的一个实施例，所述获取所述目标函数的约束条件，包括：获取所述系
统的负荷缺电率约束条件、所述系统的储能量约束条件和所述系统的电量约束条件；将所述负荷缺电率约束条件、所述储能量约束条件和所述电量约束条件之和，作为所述目标函数的约束条件。
11.根据本技术的一个实施例，所述获取所述系统的负荷缺电率约束条件，包括：获取所述系统的负荷缺电率阈值，所述系统的负荷缺电率小于或等于所述负荷缺电率阈值作为所述负荷缺电率约束条件。
12.根据本技术的一个实施例，所述获取所述系统的储能量约束条件，包括：获取蓄电池额定储能量、蓄电池当前剩余储能量和蓄电池最小剩余储能量，并获取超级电容最大储能量、超级电容最小储能量和超级电容当前储能量；所述蓄电池当前剩余储能量大于所述蓄电池最小剩余储能量，且小于所述蓄电池额定储能量，以及所述超级电容当前储能量大于所述超级电容最小储能量，且小于所述超级电容最大储能量，作为所述储能量约束条件。
13.根据本技术的一个实施例，所述获取所述系统的电量约束条件，包括：获取所述系统的可用电量和预设比例系数之间的乘积；蓄电池当前剩余储能量小于或等于所述可用电量和预设比例系数之间的乘积作为所述电量约束条件。
14.根据本技术的一个实施例，所述响应于满足所述约束条件，基于改进蚁狮优化算法对所述目标函数进行求解，确定所述系统的最优储能容量，包括：基于改进蚁狮优化算法确定调整后的第t次迭代时第i只蚂蚁的位置；响应于当前迭代次数大于最大迭代次数，输出所述目标函数的最优解，以确定所述系统的最优储能容量。
15.根据本技术的一个实施例，所述响应于当前迭代次数大于最大迭代次数，输出所述目标函数的最优解，以确定所述系统的最优储能容量，包括：获取所述目标函数的最优解对应的所述蓄电池个数和所述超级电容个数；根据所述蓄电池个数及容量，确定所述蓄电池的最优储能容量，并根据所述超级电容个数及容量，确定所述超级电容的最优储能容量；将所述蓄电池的最优储能容量和所述超级电容的最优储能容量之和作为所述系统的最优储能容量。
16.为了实现上述目的，本技术第二方面实施例提供了一种基于改进蚁狮优化算法的储能容量的优化装置，该装置包括：第一获取模块，用于获取混合储能系统的设备参数，其中，所述设备参数包括蓄电池参数和超级电容参数；构建函数模块，用于基于所述蓄电池参数和所述超级电容参数，构建目标函数；第二获取模块，用于获取所述目标函数的约束条件；确定模块，用于响应于满足所述约束条件，基于改进蚁狮优化算法对所述目标函数进行求解，确定所述系统的最优储能容量。
17.另外，根据本技术上述实施例的一种基于改进蚁狮优化算法的储能容量的优化装置，还可以具有如下附加的技术特征：
18.根据本技术的一个实施例，所述构建函数模块，还用于：基于所述蓄电池参数和所述超级电容参数，确定所述混合储能系统的设备购入费用、设备运行费用、设备维护费用和设备处理费用；将所述设备购入费用、所述设备运行费用、所述设备维护费用和所述设备处理费用进行求和，以获取所述混合储能系统的全生命周期费用，以所述全生命周期费用的最小值为目标构建目标函数。
19.根据本技术的一个实施例，所述蓄电池参数包括蓄电池个数及单价、蓄电池运行参数、蓄电池保养系数和蓄电池处理参数，所述超级电容参数包括超级电容个数及单价、超
级电容运行参数和超级电容处理参数。根据本技术的一个实施例，所述第二获取模块，还用于：获取所述系统的负荷缺电率约束条件、所述系统的储能量约束条件和所述系统的电量约束条件；将所述负荷缺电率约束条件、所述储能量约束条件和所述电量约束条件之和，作为所述目标函数的约束条件。
20.根据本技术的一个实施例，所述第二获取模块，还用于：获取所述系统的负荷缺电率阈值，所述系统的负荷缺电率小于或等于所述负荷缺电率阈值作为所述负荷缺电率约束条件。
21.根据本技术的一个实施例，所述第二获取模块，还用于：获取蓄电池额定储能量、蓄电池当前剩余储能量和蓄电池最小剩余储能量，并获取超级电容最大储能量、超级电容最小储能量和超级电容当前储能量；所述蓄电池当前剩余储能量大于所述蓄电池最小剩余储能量，且小于所述蓄电池额定储能量，以及所述超级电容当前储能量大于所述超级电容最小储能量，且小于所述超级电容最大储能量，作为所述储能量约束条件。
22.根据本技术的一个实施例，所述第二获取模块，还用于：获取所述系统的可用电量和预设比例系数之间的乘积；蓄电池当前剩余储能量小于或等于所述可用电量和预设比例系数之间的乘积作为所述电量约束条件。
23.根据本技术的一个实施例，所述确定模块，还用于：基于改进蚁狮优化算法确定调整后的第t次迭代时第i只蚂蚁的位置；响应于当前迭代次数大于最大迭代次数，输出所述目标函数的最优解，以确定所述系统的最优储能容量。
24.根据本技术的一个实施例，所述确定模块，还用于：获取所述目标函数的最优解对应的所述蓄电池个数和所述超级电容个数；根据所述蓄电池个数及容量，确定所述蓄电池的最优储能容量，并根据所述超级电容个数及容量，确定所述超级电容的最优储能容量；将所述蓄电池的最优储能容量和所述超级电容的最优储能容量之和作为所述系统的最优储能容量。
25.为了实现上述目的，本技术第三方面实施例提供了一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时，实现如本技术第一方面实施例中任一项所述的基于改进蚁狮优化算法的储能容量的优化方法。
26.为了实现上述目的，本技术第四方面实施例提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使计算机执行时实现如本技术第一方面实施例中任一项所述的基于改进蚁狮优化算法的储能容量的优化方法。
附图说明
27.图1为本技术一个实施例公开的基于改进蚁狮优化算法的储能容量的优化方法的示意图。
28.图2为本技术一个实施例公开的变流器谐波抑制的示意图。
29.图3为本技术另一个实施例公开的基于改进蚁狮优化算法的储能容量的优化方法的示意图。
30.图4为本技术另一个实施例公开的基于改进蚁狮优化算法的储能容量的优化方法的示意图。
31.图5为本技术一个实施例公开的基于改进蚁狮优化算法的储能容量的优化装置的结构示意图。
32.图6为本技术实施例公开的一种电子设备的结构示意图。
具体实施方式
33.为了更好的理解上述技术方案，下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
34.下面参考附图描述本技术实施例的一种基于改进蚁狮优化算法的储能容量的优化方法及装置。
35.图1是本技术公开的一个实施例的一种基于改进蚁狮优化算法的储能容量的优化方法的流程示意图。
36.如图1所示，本技术实施例提出的基于改进蚁狮优化算法的储能容量的优化方法，具体包括以下步骤：
37.s101、获取混合储能系统的设备参数，其中，设备参数包括蓄电池参数和超级电容参数。
38.需要说明的是，混合储能系统是由超级电容和蓄电池组成的混合储能系统。
39.其中，超级电容是一种介于传统超级电容与电池之间、具有特殊性能的电源，主要依靠双电层和氧化还原假电容电荷储存电能。
40.其中，蓄电池是将化学能直接转化成电能的一种装置。
41.在本技术实施例中，蓄电池参数包括蓄电池个数及单价、蓄电池运行参数、蓄电池保养系数和蓄电池处理参数，超级电容参数包括超级电容个数及单价、超级电容运行参数和超级电容处理参数。
42.s102、基于蓄电池参数和超级电容参数，构建目标函数。
43.在本技术实施例中，在获取到蓄电池参数和超级电容参数后，可以基于蓄电池参数和超级电容参数，构建目标函数。
44.举例而言，可以基于蓄电池个数及单价和超级电容个数及单价确定混合储能系统的设备购入费用、基于蓄电池运行参数和超级电容运行参数确定混合储能系统的设备运行费用、基于蓄电池保养系数确定混合储能系统的设备维护费用、基于蓄电池处理参数确定混合储能系统的设备处理费用。
45.进一步地，将设备购入费用、设备运行费用、设备维护费用和设备处理费用进行求和，以获取混合储能系统的全生命周期费用，以全生命周期费用的最小值为目标构建目标函数。
46.s103、获取目标函数的约束条件。
47.需要说明的是，可以基于混合储能系统的供电可靠性、蓄电池容量和超级电容容量获取目标函数的约束条件。
48.可选地，可以获取系统的负荷缺电率约束条件、系统的储能量约束条件和系统的电量约束条件，将负荷缺电率约束条件、储能量约束条件和电量约束条件作为目标函数的
约束条件。
49.s104、响应于满足约束条件，基于改进蚁狮优化算法对目标函数进行求解，确定系统的最优储能容量。
50.其中，蚁狮优化算法(ant lion optimizer，简称alo)是一种模仿自然界中蚁狮捕猎机制的智能算法，是一种基于迭代的仿生优化算法。
51.需要说明的是，本技术对于蚁狮优化算法的改进点在于通过动态比例系数调整轮盘赌策略和精英策略的权重，以得到改进的蚁狮优化算法，改进的蚁狮优化算法提升了算法的随机性、收敛速度和寻优能力。
52.其中，传统蚁狮优化算法的第t次迭代时第i只蚂蚁的位置为：
[0053][0054]
其中，为第t次迭代时第i只蚂蚁的位置、为蚂蚁在第t次迭代时围绕轮盘赌所选蚁狮进行随机游走后的位置、为蚂蚁在第t次迭代时围绕精英蚁狮游走后的位置、t为迭代次数。
[0055]
其中，改进的蚁狮优化算法的第t次迭代时第i只蚂蚁的位置为：
[0056][0057]
其中，为第t次迭代时第i只蚂蚁的位置、为蚂蚁在第t次迭代时围绕轮盘赌所选蚁狮进行随机游走后的位置、为蚂蚁在第t次迭代时围绕精英蚁狮游走后的位置、t为迭代次数、t为迭代次数、rand(t)为一个随机函数，在0～1之间均匀分布。
[0058]
在本技术实施例中，响应于满足约束条件，可以基于改进蚁狮优化算法对目标函数进行求解，确定系统的最优储能容量，即通过改进蚁狮优化算法对目标函数进行求解，可以获取混合储能系统的全生命周期费用的最小值对应的蓄电池个数和超级电容个数，进而根据蓄电池个数及容量和超级电容个数及容量，确定蓄电池的最优储能容量和超级电容的最优储能容量，将蓄电池的最优储能容量和超级电容的最优储能容量之和作为储能系统的最优储能容量。
[0059]
本技术提供的基于改进蚁狮优化算法的储能容量的优化方法，通过获取混合储能系统的设备参数，基于蓄电池参数和超级电容参数，构建目标函数，获取目标函数的约束条件，响应于满足约束条件，基于改进蚁狮优化算法对目标函数进行求解，确定系统的最优储能容量，由此，本技术利用动态比例系数调整轮盘赌运算和精英策略在算法迭代过程中的权重，获得了改进的蚁狮优化算法，基于改进蚁狮优化算法对目标函数进行求解，提升算法的收敛速度和稳定性，可以在满足约束条件的情况下，在混合储能系统成本最低的情况下，获取最优的混合储能容量，提高混合储能系统运行的稳定性和经济性。
[0060]
作为一种可能的实现方式，如图2所示，在上述实施例的基础上，上述步骤s102中基于蓄电池参数和超级电容参数，构建目标函数值的具体过程，包括以下步骤：
[0061]
s201、基于蓄电池参数和超级电容参数，确定混合储能系统的设备购入费用、设备运行费用、设备维护费用和设备处理费用。
[0062]
在本技术实施例中，所述蓄电池参数包括蓄电池个数及单价、蓄电池运行参数、蓄
[0081]
其中，ub为蓄电池的额定电压(单位：v)、cb为蓄电池额定电容量(单位：ah)、nb为蓄电池个数、dod为蓄电池最大放电深度(depth of discharge，简称dod)。
[0082]
其中，在获取超级电容最大储能量时，可以基于以下公式进行获取：
[0083][0084]
其中，e
cmax
为超级电容最大储能量、u
cmax
为超电容最大端电压、cc表示超级电容的电容值、nc为超级电容个数。
[0085]
其中，在获取超级电容最小储能量时，可以基于以下公式进行获取：
[0086][0087]
其中，e
cmin
超级电容最小储能量、u
cmin
为超级电容器最小端电压，cc表示超级电容器的电容值、nc为超级电容个数。
[0088]
可选地，在获取系统的电量约束条件时，可以获取系统的可用电量和预设比例系数之间的乘积，蓄电池当前剩余储能量小于或等于可用电量和预设比例系数之间的乘积作为电量约束条件，电量约束条件为：
[0089]
eb(k)≤μδe
[0090]
δe＝(ew(k)+e
pv
(k)η
c-e
l
(k)
[0091]
其中，eb(k)为蓄电池当前剩余储能量、μ为预设比例系数、δe为系统的可用电量、ew(k)为k时刻风能、e
pv
(k)为k时刻太阳能、e
l
(k)为k时刻负荷的电量、ηc是逆变器的功率转换效率。
[0092]
s302、将负荷缺电率约束条件、储能量约束条件和电量约束条件之和，作为目标函数的约束条件。
[0093]
在本技术实施例中，目标函数的约束条件为要同时满足以下三个条件：
[0094][0095]
需要说明的是，在获取到目标函数和目标函数的约束条件后，可以在满足约束条件时，基于改进蚁狮优化算法对目标函数进行求解，确定系统的最优储能容量。
[0096]
作为一种可能的实现方式，如图4所示，在上述实施例的基础上，上述步骤s104中响应于满足约束条件，基于改进蚁狮优化算法对目标函数进行求解，确定系统的最优储能容量的具体过程，包括以下步骤：
[0097]
s401、基于改进蚁狮优化算法确定调整后的第t次迭代时第i只蚂蚁的位置。
[0098]
下面对蚁狮优化算法进行解释说明。
[0099]
alo算法中，模拟了蚁狮和蚂蚁之间的狩猎机制以实现全局最优。蚁狮在捕猎前会在在沙质土中利用其巨大的下颚挖出一个漏斗状的陷阱，并藏在陷阱底部等待猎物到来，一旦随机游走的蚂蚁落入陷阱时，蚁狮迅速将其捕食，随后重新修缮陷阱等待下一次捕猎，alo算法通过数值模拟实现蚂蚁和蚁狮之间的相互作用将问题优化，引入蚂蚁的随机游走实现全局搜索，通过轮盘赌策略和精英策略保证种群的多样性和算法的寻优性能，为了寻找食物，蚂蚁在自然界随机移动，其随机游走模型表示为：
[0100][0101]
其中，cums为计算累加和、n为最大迭代次数、t为随机游走的步数，rand(t)是一个随机函数，在0～1之间均匀分布(取0或1)，可以用以下等式表示：
[0102][0103]
为了保持搜索空间内的随机游走，对蚂蚁的位置标准化，将随机游走保持在搜索空间内，即：
[0104][0105]
其中，ai表示第i个变量(维度)随机行走的最小值、bi表示第i个变量(维度)随机行走的最大值、为第t迭代第i个变量的最小值(下界)、为第t迭代第i个变量的最大值(上界)。
[0106]
蚁狮陷阱影响蚂蚁在搜索空间的中的随机行走，蚂蚁的随机行走受到蚁蚁狮陷阱影响，对这一假设进行数学建模，提出以下方程：
[0107][0108][0109]
其中，c
t
为第t迭代所有变量的最小值(下界)、d
t
为第t迭代所有变量的最大值(上界)、表示第t次迭代第j蚁狮的位置。
[0110]
从等式(4)、(5)可以看出，向量c和d使蚂蚁在一个围绕特定蚁狮的超球体中随机行走，蚁狮的捕猎能力是用轮盘赌来模拟的，在迭代过程中，借助轮盘赌，根据适应度值选择蚁狮，蚁狮根据它们的适应度值形成一个陷阱，允许蚂蚁在搜索空间中随机移动，蚂蚁一旦落入蚁狮制造的陷阱，蚁狮会想边缘抛沙以防止蚂蚁逃跑，急速缩小蚂蚁随机游走的范围，表示如下：
[0111][0112][0113][0114]
其中、i为比例系数，t为最大迭代次数，v为一个随着迭代次数变化而变化的数，如果蚂蚁的目标函数优于所选的蚁狮，则认为蚁狮将其捕获，蚁狮的位置会更新为蚂蚁的最新位置。
[0115][0116]
其中，f为适应度函数。
[0117]
在优化过程中的每一次迭代，最细腻获得最佳位置的蚁狮被选为精英蚁狮，该蚁狮具有在迭代过程中影响蚂蚁运动的能力，因此，假设搜索空间站的每支蚂蚁通过轮盘赌运算和精英策略同时随机地绕着选定的蚁狮行走，其位置如下：
[0118][0119]
其中、为蚂蚁在第t次迭代时围绕轮盘赌所选蚁狮进行随机游走后的位置，为蚂蚁在第t次迭代时围绕精英蚁狮游走后的位置。
[0120]
在本技术实施例中，改进的蚁狮优化算法的第t次迭代时第i只蚂蚁的位置为：
[0121][0122]
其中，为第t次迭代时第i只蚂蚁的位置、为蚂蚁在第t次迭代时围绕轮盘赌所选蚁狮进行随机游走后的位置、为蚂蚁在第t次迭代时围绕精英蚁狮游走后的位置、t为迭代次数、t为迭代次数、rand(t)为一个随机函数，在0～1之间均匀分布。
[0123]
需要说明的是，系数0.8为通过试验得到的。
[0124]
s402、响应于当前迭代次数大于最大迭代次数，输出目标函数的最优解，以确定系统的最优储能容量。
[0125]
在本技术实施例中，在输出目标函数的最优解时，可以获取目标函数最优解对应的蓄电池个数和超级电容个数，可以根据蓄电池个数及容量确定最优蓄电池储能容量、根据超级电容个数及容量确定最优超级电容储能容量，可以将最优蓄电池储能容量和最优超级电容储能容量之和，作为混合储能系统的最优储能容量。
[0126]
本技术提供的基于改进蚁狮优化算法的储能容量的优化方法，利用动态比例系数调整轮盘赌运算和精英策略在算法迭代过程中的权重，获得了改进的蚁狮优化算法，基于改进蚁狮优化算法对目标函数进行求解，提升算法的收敛速度和稳定性，可以在满足约束条件的情况下，在混合储能系统成本最低的情况下，获取最优的混合储能容量，提高混合储能系统运行的稳定性和经济性。
[0127]
图5是本技术公开的一个实施例的一种基于改进蚁狮优化算法的储能容量的优化装置的结构示意图。
[0128]
如图5所示，该基于改进蚁狮优化算法的储能容量的优化装置1000，包括：第一获取模块11、构建函数模块12、第二获取模块13和确定模块14。其中，
[0129]
第一获取模块11，用于获取混合储能系统的设备参数，其中，所述设备参数包括蓄电池参数和超级电容参数；
[0130]
构建函数模块12，用于基于所述蓄电池参数和所述超级电容参数，构建目标函数；
[0131]
第二获取模块13，用于获取所述目标函数的约束条件；
[0132]
确定模块14，用于响应于满足所述约束条件，基于改进蚁狮优化算法对所述目标函数进行求解，确定所述系统的最优储能容量。
[0133]
根据本技术的一个实施例，所述构建函数模块12，还用于：基于所述蓄电池参数和所述超级电容参数，确定所述混合储能系统的设备购入费用、设备运行费用、设备维护费用和设备处理费用；将所述设备购入费用、所述设备运行费用、所述设备维护费用和所述设备
处理费用进行求和，以获取所述混合储能系统的全生命周期费用，以所述全生命周期费用的最小值为目标构建目标函数。
[0134]
根据本技术的一个实施例，所述蓄电池参数包括蓄电池个数及单价、蓄电池运行参数、蓄电池保养系数和蓄电池处理参数，所述超级电容参数包括超级电容个数及单价、超级电容运行参数和超级电容处理参数。
[0135]
根据本技术的一个实施例，所述第二获取模块13，还用于：获取所述系统的负荷缺电率约束条件、所述系统的储能量约束条件和所述系统的电量约束条件；将所述负荷缺电率约束条件、所述储能量约束条件和所述电量约束条件之和，作为所述目标函数的约束条件。
[0136]
根据本技术的一个实施例，所述第二获取模块13，还用于：获取所述系统的负荷缺电率阈值，所述系统的负荷缺电率小于或等于所述负荷缺电率阈值作为所述负荷缺电率约束条件。
[0137]
根据本技术的一个实施例，所述第二获取模块13，还用于：获取蓄电池额定储能量、蓄电池当前剩余储能量和蓄电池最小剩余储能量，并获取超级电容最大储能量、超级电容最小储能量和超级电容当前储能量；所述蓄电池当前剩余储能量大于所述蓄电池最小剩余储能量，且小于所述蓄电池额定储能量，以及所述超级电容当前储能量大于所述超级电容最小储能量，且小于所述超级电容最大储能量，作为所述储能量约束条件。
[0138]
根据本技术的一个实施例，所述第二获取模块13，还用于：获取所述系统的可用电量和预设比例系数之间的乘积；蓄电池当前剩余储能量小于或等于所述可用电量和预设比例系数之间的乘积作为所述电量约束条件。
[0139]
根据本技术的一个实施例，所述确定模块14，还用于：基于改进蚁狮优化算法确定调整后的第t次迭代时第i只蚂蚁的位置；响应于当前迭代次数大于最大迭代次数，输出所述目标函数的最优解，以确定所述系统的最优储能容量。
[0140]
根据本技术的一个实施例，所述确定模块14，还用于：获取所述目标函数的最优解对应的所述蓄电池个数和所述超级电容个数；根据所述蓄电池个数及容量，确定所述蓄电池的最优储能容量，并根据所述超级电容个数及容量，确定所述超级电容的最优储能容量；将所述蓄电池的最优储能容量和所述超级电容的最优储能容量之和作为所述系统的最优储能容量。
[0141]
本技术实施例提供的一种基于改进蚁狮优化算法的储能容量的优化装置，通过获取混合储能系统的设备参数，基于蓄电池参数和超级电容参数，构建目标函数，获取目标函数的约束条件，响应于满足约束条件，基于改进蚁狮优化算法对目标函数进行求解，确定系统的最优储能容量，由此，本技术利用动态比例系数调整轮盘赌运算和精英策略在算法迭代过程中的权重，获得了改进的蚁狮优化算法，基于改进蚁狮优化算法对目标函数进行求解，提升算法的收敛速度和稳定性，可以在满足约束条件的情况下，在混合储能系统成本最低的情况下，获取最优的混合储能容量，提高混合储能系统运行的稳定性和经济性。
[0142]
为了实现上述实施例，本技术还提出了一种电子设备2000，如图6所示，包括存储器210、处理器220及存储在存储器210上并可在处理器220上运行的计算机程序，处理器执行程序时，实现前述的基于改进蚁狮优化算法的储能容量的优化方法。
[0143]
为了实现上述实施例，本技术还提出一种存储有计算机指令的非瞬时计算机可读
存储介质，该计算机指令用于使计算机执行时实现前述的基于改进蚁狮优化算法的储能容量的优化方法。
[0144]
在本技术的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本技术的限制。
[0145]
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本技术的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
[0146]
在本技术中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本技术中的具体含义。
[0147]
在本技术中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
[0148]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本技术的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0149]
尽管上面已经示出和描述了本技术的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本技术的限制，本领域的普通技术人员在本技术的范围内可以对上述实施例进行变化、修改、替换和变型。

技术特征：
1.一种基于改进蚁狮优化算法的储能容量的优化方法，其特征在于，所述方法，包括：获取混合储能系统的设备参数，其中，所述设备参数包括蓄电池参数和超级电容参数；基于所述蓄电池参数和所述超级电容参数，构建目标函数；获取所述目标函数的约束条件；响应于满足所述约束条件，基于改进蚁狮优化算法对所述目标函数进行求解，确定所述系统的最优储能容量。2.根据权利要求1所述的方法，其特征在于，所述基于所述蓄电池参数和所述超级电容参数，构建目标函数，包括：基于所述蓄电池参数和所述超级电容参数，确定所述混合储能系统的设备购入费用、设备运行费用、设备维护费用和设备处理费用；将所述设备购入费用、所述设备运行费用、所述设备维护费用和所述设备处理费用进行求和，以获取所述混合储能系统的全生命周期费用，以所述全生命周期费用的最小值为目标构建目标函数。3.根据权利要求1所述的方法，其特征在于，所述蓄电池参数包括蓄电池个数及单价、蓄电池运行参数、蓄电池保养系数和蓄电池处理参数，所述超级电容参数包括超级电容个数及单价、超级电容运行参数和超级电容处理参数。4.根据权利要求1所述的方法，其特征在于，所述获取所述目标函数的约束条件，包括：获取所述系统的负荷缺电率约束条件、所述系统的储能量约束条件和所述系统的电量约束条件；将所述负荷缺电率约束条件、所述储能量约束条件和所述电量约束条件之和，作为所述目标函数的约束条件。5.根据权利要求4所述的方法，其特征在于，所述获取所述系统的负荷缺电率约束条件，包括：获取所述系统的负荷缺电率阈值，所述系统的负荷缺电率小于或等于所述负荷缺电率阈值作为所述负荷缺电率约束条件。6.根据权利要求4所述的方法，其特征在于，所述获取所述系统的储能量约束条件，包括：获取蓄电池额定储能量、蓄电池当前剩余储能量和蓄电池最小剩余储能量，并获取超级电容最大储能量、超级电容最小储能量和超级电容当前储能量；所述蓄电池当前剩余储能量大于所述蓄电池最小剩余储能量，且小于所述蓄电池额定储能量，以及所述超级电容当前储能量大于所述超级电容最小储能量，且小于所述超级电容最大储能量，作为所述储能量约束条件。7.根据权利要求4所述的方法，其特征在于，所述获取所述系统的电量约束条件，包括：获取所述系统的可用电量和预设比例系数之间的乘积；蓄电池当前剩余储能量小于或等于所述可用电量和预设比例系数之间的乘积作为所述电量约束条件。8.根据权利要求1所述的方法，其特征在于，所述响应于满足所述约束条件，基于改进蚁狮优化算法对所述目标函数进行求解，确定所述系统的最优储能容量，包括：基于改进蚁狮优化算法确定调整后的第t次迭代时第i只蚂蚁的位置；
响应于当前迭代次数大于最大迭代次数，输出所述目标函数的最优解，以确定所述系统的最优储能容量。9.根据权利要求1所述的方法，其特征在于，所述响应于当前迭代次数大于最大迭代次数，输出所述目标函数的最优解，以确定所述系统的最优储能容量，包括：获取所述目标函数的最优解对应的所述蓄电池个数和所述超级电容个数；根据所述蓄电池个数及容量，确定所述蓄电池的最优储能容量，并根据所述超级电容个数及容量，确定所述超级电容的最优储能容量；将所述蓄电池的最优储能容量和所述超级电容的最优储能容量之和作为所述系统的最优储能容量。10.一种基于改进蚁狮优化算法的储能容量的优化装置，其特征在于，所述装置，包括：第一获取模块，用于获取混合储能系统的设备参数，其中，所述设备参数包括蓄电池参数和超级电容参数；构建函数模块，用于基于所述蓄电池参数和所述超级电容参数，构建目标函数；第二获取模块，用于获取所述目标函数的约束条件；确定模块，用于响应于满足所述约束条件，基于改进蚁狮优化算法对所述目标函数进行求解，确定所述系统的最优储能容量。11.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时，实现如权利要求1-9中任一项所述的基于改进蚁狮优化算法的储能容量的优化方法。

技术总结
本申请公开了一种基于改进蚁狮优化算法的储能容量的优化方法及装置，该方法包括：获取混合储能系统的设备参数，基于所述蓄电池参数和所述超级电容参数，构建目标函数；获取所述目标函数的约束条件；响应于满足所述约束条件，基于改进蚁狮优化算法对所述目标函数进行求解，确定所述系统的最优储能容量，本申请利用动态比例系数调整轮盘赌运算和精英策略在算法迭代过程中的权重，获得了改进的蚁狮优化算法，基于改进蚁狮优化算法对目标函数进行求解，提升算法的收敛速度和稳定性，可以在满足约束条件的情况下，在混合储能系统成本最低的情况下，获取最优的混合储能容量，提高混合储能系统运行的稳定性和经济性。能系统运行的稳定性和经济性。能系统运行的稳定性和经济性。


技术研发人员：张立松 兀鹏越 孙钢虎 王小辉 高峰 柴琦 寇水潮 杨沛豪 郭昊 燕云飞 贺婷 程中岳 王林
受保护的技术使用者：西安热工研究院有限公司
技术研发日：2023.05.08
技术公布日：2023/8/1