自己做的网站与ie不兼容wordpress登录菜单

自己做的网站与ie不兼容,wordpress登录菜单,辽宁模板网站建设公司,济南seo整站优化价格MATLAB代码#xff1a;智能微电网粒子群优化算法 关键词#xff1a;微电网 粒子群 仿真平台#xff1a;MATLAB 主要内容#xff1a;微网包含负载#xff0c;光伏#xff0c;风机数据。 入门程序。先准备好基础数据#xff0c;假设某天光伏出力曲线像过山车#xff1a; …MATLAB代码智能微电网粒子群优化算法 关键词微电网 粒子群 仿真平台MATLAB 主要内容微网包含负载光伏风机数据。 入门程序。先准备好基础数据假设某天光伏出力曲线像过山车pv_power [0,0,0,20,50,80,120,150,130,90,60,30]; % 单位kW wind_power randi([40,80],1,12); % 随机生成风机出力 load_demand [60,55,50,70,90,120,150,180,160,140,110,85]; % 每小时负荷核心是设计适应度函数既要满足负载又要减少弃光弃风function fitness cost_function(x) % x为各时段储能出力数组 global pv wind load balance pv wind x - load; power_gap sum(abs(balance)); % 供需缺口 pv_waste sum(max(pv - (load - x),0)); % 光伏弃电量 fitness power_gap*0.7 pv_waste*0.3; % 双目标加权 end这里把储能出力作为优化变量0.7和0.3的权重系数就像调节旋钮实操中可以根据电网偏好调整。上主菜——粒子群初始化部分n_particles 50; max_iter 100; dim 12; % 对应12个时段 pos_range [-100,100]; % 储能出力范围 particles pos_range(1) (pos_range(2)-pos_range(1)).*rand(n_particles,dim); velocities zeros(n_particles,dim); pbest particles; pbest_cost arrayfun((i) cost_function(particles(i,:)), 1:n_particles); [gbest_cost, idx] min(pbest_cost); gbest particles(idx,:);粒子位置代表各时段的储能策略速度初始化为零矩阵。注意这里的储能出力范围设了±100kW实际项目得看具体电池容量。MATLAB代码智能微电网粒子群优化算法 关键词微电网 粒子群 仿真平台MATLAB 主要内容微网包含负载光伏风机数据。 入门程序。重点看速度更新逻辑w 0.8; % 惯性权重 c1 1.2; % 个体学习因子 c2 1.5; % 群体学习因子 for k1:max_iter for i1:n_particles r1 rand(1,dim); r2 rand(1,dim); velocities(i,:) w*velocities(i,:) ... c1*r1.*(pbest(i,:)-particles(i,:)) ... c2*r2.*(gbest-particles(i,:)); particles(i,:) particles(i,:) velocities(i,:); particles(i,:) max(min(particles(i,:),pos_range(2)),pos_range(1)); current_cost cost_function(particles(i,:)); if current_cost pbest_cost(i) pbest(i,:) particles(i,:); pbest_cost(i) current_cost; end end [new_gbest_cost, idx] min(pbest_cost); if new_gbest_cost gbest_cost gbest pbest(idx,:); gbest_cost new_gbest_cost; end end惯性权重w控制搜索惯性c1/c2分别影响个体经验和群体经验权重。有个小技巧迭代后期可动态降低w值增强局部搜索能力。最终把最优策略可视化figure; plot(1:12, pv_power,--o,LineWidth,1.5); hold on; plot(wind_power,-s,Color,[0.5 0.7 0.3]); plot(load_demand,-^,Color,[0.9 0.4 0.1]); plot(gbestload_demand,-x,Color,[0.2 0.6 0.8]); legend(光伏,风机,负载,优化后总出力); title(微电网出力平衡); xlabel(时间/h); ylabel(功率/kW); grid on;典型结果会显示优化后的总出力曲线更贴近负载需求尤其在光伏骤降的傍晚时段储能及时放电补缺口。刚入门的同学可能会问迭代100次够吗实际调试中发现适应度值在第40代左右就进入平台期说明参数设置合理。下次可以试试引入动态惯性权重或者结合预测数据做滚动优化——不过那是进阶玩法了。