【SCI复现】基于RSSA（随机游走麻雀搜索算法）冷热电联供型微网优化调度

目录

1 主要内容

2 部分程序

3 程序结果

4 下载链接

---

1 主要内容

该程序复现SCI文献《Study on Economic Dispatch of the Combined CoolingHeating and Power Microgrid Based on Improved SparrowSearch Algorithm》，以经济成本和环保成本最小为目标，在考虑满足用户的冷热电负荷需求和各微源特性的限制前提下，考虑生物质、燃气轮机、燃气锅炉、余热锅炉、风力发电、光伏发电、吸收式制冷机、电制冷和电采暖等系统主体模型，建立了冷热电联供微网优化调度模型。复现主要分为两大部分，一是对模型部分复现，即采用随机游走麻雀搜索算法对模型最佳出力情况进行优化，该部分有效区分夜间模式和日间模型，每种模式下单独优化，最终进行汇总计算，得到夏、冬典型日的优化调度结果。二是通过对比突出算法优势，程序和原文一致，比较了WOA、CSSA、SSA、GWO、ABC、PSO、RSSA共7种算法的收敛效果，从收敛速度和求解精度方面验证了RSSA的优势。程序采用matlab编写，无需安装求解器，直接求解即可。

• 冷热电联供微网模型

程序复现的模型如下：

模型主要包括冷、热、电三种负荷。其中由燃气轮机、风机、光伏电池、储电设备以及大电网承担电负荷；由燃气锅炉、余热锅炉及电采暖承担热负荷；由吸收式制冷机、电制冷机承担冷负荷。在传统的生物质气化过程中加入电加热装置，该模型设计的生物质气化装置由气化炉和电加热装置构成，其中电加热装置目的实质性作用有两方面：一方面为生物质气化炉提供外热源，用于替代常规生物质气化过程中的氧化燃烧反应，减少生物质的燃烧消耗，同时减少了生物质在燃烧过程中释放大量的二氧化碳，以提高气化气的化学能及纯度；另一方面，电加热用于消纳过剩风电，将过剩的风电转化成化学能储存起来。储气罐用于储存生物质气化气。

• RSSA算法优化流程图

该算法在原有麻雀搜索算法基础上增加了随机游走策略，即加入者围绕当前最优解进行随机游走，提高其搜索能力，在开始迭代之初，随机游走的范围较大，可以增强算法的全局搜索能力，在迭代多次后，随机游走的范围逐渐变小，从而提高算法的局部搜索能力，有利于寻找最优解。

• 单目标算法改成多目标算法方法

原文中提到了将单目标求解的RSSA算法进一步拓展为多目标帕累托解集的优化算法，这时就需要将单目标的优化策略和多目标的支配关系、种群更新方式等进行融合，这个过程并不难，大家可以自行试验一下，如果有疑问，购买代码后可提供支持。

2 部分程序

ST = 0.8;%预警值
PD = 0.2;%发现者的比列，剩下的是加入者
SD = 0.1;%意识到有危险麻雀的比重
​
PDNumber = pop*PD; %发现者数量
SDNumber = pop - pop*PD;%意识到有危险麻雀数量
if(max(size(ub)) == 1)
   ub = ub.*ones(1,dim);
   lb = lb.*ones(1,dim);  
end
​
%种群初始化
X0=initializationNew(pop,dim,ub,lb);
X = X0;
%计算初始适应度值
fitness = zeros(1,pop);
for i = 1:pop
   fitness(i) =  fobj(X(i,:));
end
 [fitness, index]= sort(fitness);%排序
BestF = fitness(1);
WorstF = fitness(end);
GBestF = fitness(1);%全局最优适应度值
for i = 1:pop
    X(i,:) = X0(index(i),:);
end
curve=zeros(1,Max_iter);
GBestX = X(1,:);%全局最优位置
X_new = X;
for i = 1: Max_iter
    
    BestF = fitness(1);
    WorstF = fitness(end);
    alpha_i=0.1;%加入共享因子
    alpha_f=1.5;%加入共享因子
    R2 = rand(1);
    delta=1-(alpha_i/alpha_f).^(1/i);%加入共享因子
    alpha=(1-delta).*alpha_f;%加入共享因子    
   for j = 1:PDNumber%更新发现者位置
      if(R21); %选择一个除个体i的其它一个个体
          fai=rand*2-1;   %加速系数,取值范围[-1,1]
          X_new(j,:) = X(j,:)+fai.*alpha.*(X(j,:)-X(k,:)); 

3 程序结果

• 模型优化结果

夏季典型日优化运行结果：

原文结果：

冬季典型日运行结果：

原文结果：

• 算法对比

 运行结果：（ 通过改变函数编号，很容易获取其他测试函数下的对比情况）

原文结果：

4 下载链接