基于遗传算法的风电储能蓄电池容量优化配置
风电+储能蓄电池微电网配置（基于matlab的遗传算法微电网配置优化程序）
参考文献：基于遗传算法的风电储能蓄电池容量优化配置

摘要：为了降低独立风力发电系统中储能装置的生命周期费用，建立以风力发电系统中储能装置的生命 周期费用最小值为优化的目标函数、负荷缺电率等指标为约束条件的模型，结合蓄电池和超级电容器储能特 性，利用风电和负荷48 h的发用电数据，研究包含蓄电池和超级电容器的储能系统能量管理策略。提出了一 种基于改进粒子群算法的储能容量生命周期费用优化配置方法，算例分析证明该算法具有有效性和实用性， 优化后的系统很大程度上节省了经济成本。
关键词：风力发电系统；混合储能；储能容量优化配置；遗传算法

1 模型分析
基于蓄电池和超级电容器混合储能独立风力发电系统的结构如图 1 所示。当风速比较大时，储能装置处于充电状态，将电能存储起来；当风速比较弱或者峰值负荷时储能装置为负荷供电，以保证系统平稳连续的供电，提高供电可靠性。

1.1 蓄电池的模型
每个蓄电池的额定电压为Ub（V），额定容量 为Cb（A·h），假设蓄电池组由m个蓄电池组成，则 总的储能量Eb（ MW·h）为

1.2 超级电容器的模型
每个超级电容器的端电压为Uc，电容值为Cc，假设超级电容器组由n个超级电容器组成，则总的储能量为

2 目标函数：

3 算例参数
蓄电池参数：

电网24小时负荷数据：

风电24小时出力预测值：

4 运行结果
1）迭代曲线

2）电平衡

3）出力曲线

5 复现程序：
遗传算法matlab程序如下：
主函数如下：

// 主函数程序：
clc;
clear;
close all
%% 调用参数
canshu_cpa;
%% 遗传算法基础参数
N = 1200;  %种群内个体数目
N_chrom = 50; %染色体节点数，也就是每个个体有多少条染色体，其实说白了就是看适应函数里有几个自变量。
iter = 500; %迭代次数，也就是一共有多少代
mut = 0.2;  %突变概率
acr = 0.2; %交叉概率
best = 1;
%% 上下限约束
%上限
d=N_chrom ;
Ub=ones(1,d);
Ub(1)=200000;%蓄电池数量上限
Ub(2)=30000;%电容数量上限
%电池出力上限
for i=3:26Ub(i)=90000*Ubn*Cb/10000000;
end
%电容出力上限
for i=27:50Ub(i)=16000*Ucn*Ic/1000000;
end
%蓄电池，电容出力下限
Lb=ones(1,d);
% Lb(1)=100;
% Lb(2)=100;
for i=3:50
Lb(i)=-Ub(i);
end
umax=Ub;     %变量上限
umin=Lb; %变量下限
chrom_range = [umin;umax];%每个节点的值的区间
chrom = zeros(N, N_chrom);%存放染色体的矩阵
fitness = zeros(N, 1);%存放染色体的适应度
fitness_ave = zeros(1, iter);%存放每一代的平均适应度
fitness_best = zeros(1, iter);%存放每一代的最优适应度
chrom_best = zeros(1, N_chrom+1);%存放当前代的最优染色体与适应度%% 初始化，这只是用于生成第一代个体，并计算其适应度函数
chrom = Initialize(N, N_chrom, chrom_range); %初始化染色体
fitness = CalFitness(chrom, N, N_chrom); %计算适应度
chrom_best = FindBest(chrom, fitness, N_chrom); %寻找最优染色体
fitness_best(1) = chrom_best(end); %将当前最优存入矩阵当中%% 迭代主循环
for t = 2:iterchrom = MutChrom(chrom, mut, N, N_chrom, chrom_range, t, iter); %变异chrom = AcrChrom(chrom, acr, N, N_chrom); %交叉fitness = CalFitness(chrom, N, N_chrom); %计算适应度chrom_best_temp = FindBest(chrom, fitness, N_chrom); %寻找最优染色体if chrom_best_temp(end)>chrom_best(end) %替换掉当前储存的最优chrom_best = chrom_best_temp;
..........略