基于改进GSA算法的多能源移动电源车优化配置.pdf

计算机与现代化JISUANJI YU XIANDAIHUA2023年第12期总第340期收稿日期：2023-09-19；修回日期：2023-10-27基金项目：国家重点研发计划项目（2016YFC03050001）；重庆市教委科学技术研究项目（KJQN202212904）作者简介：王凯翔（1990），男，重庆涪陵人，硕士研究生，研究方向：移动多能源技术，E-mail:；通信作者:杨静（1973），女，重庆永川人，教授，博士，研究方向：移动电源与多能源发电，E-mail:YJ；杨文（1992），男，安徽马鞍山人，讲师，博士，研究方向：电力电子技术，E-mail:；米红菊（1979），男，四川南部人，副教授，博士，研究方向：电力保障，E-mail:mimihj_；甘飞（1991），男，重庆荣昌人，讲师，硕士，研究方向：新能源技术利用及优化控制，E-mail：。文章编号：1006-2475（2023）12-0105-070引言西藏地广人稀，属于典型的高原高寒地区，部分地方尚无国家电网覆盖。移动电源车由于其机动、灵活的特点，可以为上述地方提供电力保障。同时，移动电源车在应急抢险、野外作业、部队演练等领域中也发挥越来越重要的作用。传统移动电源车主要依靠柴油发电机提供电能，在满足负荷需求的同时，也存在电能来源单一、柴油发电机组小负荷及空载运行、环境适应性差、产生空气污染、使用非可再生能源等问题。随着新能源技术不断发展，集风光柴储等为一体的多能源移动电源车，能够有效弥补传统移动电源车的不足。目前国内外学者对多能源移动电源车有一定的研究，取得了一定的成果。文献 1 设计的风光沼移动电源车是以风、光、生物质能为能源，以改装车厢的越野卡车为载体，能够离网发电的可移动新能源联合发电系统。文献 2 针对偏远地区用电难问题，设计了一种基于风、光、柴和蓄电池的移动电源基于改进GSA算法的多能源移动电源车优化配置王凯翔，杨静，杨文，米红菊，甘飞（陆军勤务学院，重庆 401311）摘要：传统能源供给模式很难覆盖高原高寒地区的能源孤岛，而多能源移动电源车因其机动灵活、环境适应性强的特点成为较好的解决手段。现有多能源移动电源车尚缺乏针对高原高寒独特背景下的应用研究，且当前研究中的多能源配置算法存在收敛速度慢、易陷入局部最优等问题。本文提出一种基于改进型万有引力算法的多能源配置算法，以多能源移动电源车年经济成本为目标，在万有引力算法的基础上，引入粒子群算法的思想，将个体历史最优和全局最优位置赋权，引入粒子群速度迭代计算，提高粒子群收敛的速度和方向性。依据西藏某地区实际应用算例，该算法在收敛速度和全局搜索能力的优越性得到验证。结果表明，本文设计的移动电源车多能源配置具有更好的经济性，可为高原高寒地区多能源移动电源车的优化配置提供设计依据。关键词：多能源移动电源车；改进型万有引力搜索算法；高原高寒地区；优化配置中图分类号：TM73文献标志码：ADOI:10.3969/j.issn.1006-2475.2023.12.018OptimalConfigurationofMulti-energyMobilePowerVehiclesBasedonImprovedGSAAlgorithmWANG Kai-xiang，YANG Jing，YANG Wen，MI Hong-ju，GAN Fei（Army Logistics Academy of PLA，Chongqing 401331，China）Abstract:The traditional energy supply mode is difficult to cover the energy islands in the plateau and cold regions，and themulti-energy mobile power vehicle has become a better solution because of its flexible mobility and strong environmental adaptability.The existing multi-energy mobile power vehicles still lack application research for the unique background of plateau andcold，existing multi-energy allocation algorithms have some problems such as slow convergence speed and easy to fall into localoptimality.A multi-energy configuration algorithm is proposed on the basis of the improved universal gravitational search algorithm in this work.In order to decrease the annual economic cost of multi-energy mobile power vehicles，the particle swarm optimization algorithm is introduced in this modified algorithm on the basis of the universal gravitational algorithm.Meanwhile，theindividual historical optimal and global optimal position assignment values are introduced for particle swarm velocity iteration calculation，thus improving the speed and directionality of particle swarm convergence.The superiority of the algorithm in convergence speed and global search capability is verified by practical application cases in the Somewhere region of Tibet.The results showthat the multi-energy configuration strategy of mobile power vehicles designed based on the proposed algorithm has better economyand can provide a design basis for the optimal configuration of multi-energy mobile power vehicles in highland alpine areas.Key words:multi-energy mobile power vehicles；improved gravitational search algorithm；highland alpine areas；optimal configuration计算机与现代化2023年第12期车，充分考虑了电源车的技术特性、安全等问题。文献 3 针对光、柴、储多能互补移动电源车，设计了一套光柴储能源互补发电系统，对光伏系统所需要的设备进行对比选型，同时对集成系统进行模拟仿真，为系统的可行性提供理论依据。文献 4 综合考虑风、光、电池、燃料电池、氢能储能5种电源构建了家用供电房车，其中风、光发电作为主要电源供电，储能系统作为备用电源，实验结果表明该房车能够满足单个家庭用户供电需求。但由于移动电源车本身载重和体积的原因，多能源移动电源车的容量和使用环境受到限制。如何在移动电源车有限的载重和空间范围内，既满足不同环境下负荷的宽容量用电需求，又能使移动电源车的经济性最优，是下一步多能源移动电源车优化配置的重点。多能源移动电源车的优化配置可视为对包含多变量、多约束、高维度、非线性模型的优化求解过程，需要处理大量数据，通常采用智能算法进行求解5-8。文献 9 为提高独立微电网的经济性和可靠性，研究基于改进灰狼优化算法的独立微电网电源容量优化配置方法。算法通过采用Tent混沌序列产生初始种群、对收敛因子设置非线性调整策略、引入柯西变异算子来提高算法的优化性能。文献 10 为更好对光伏直流微电网进行削峰填谷，采用改进鸟群算法（IBSA）对该模型进行优化。模型参考 Levy 飞行策略，运用Mantegna算法表示随机Levy步长，并将惯性权重 w引入觅食行为，提高了算法的收敛性。文献11 提出了一种并网型风-光-抽水蓄能联合运行系统容量优化配置方法，以成本最低、经济效益最大、碳排放量最小为优化目标，通过采用带精英策略的快速非支配排序遗传算法（NSGA-）对模型进行求解。文献 12 为实现热-电-氢综合能源系统在满足多种负荷需求的同时，可以有效地降低经济成本，提出了一种以经济性为目标的双层优化配置算法，上层采用混合正余弦灰狼算法，下层采用混合整数线性规划算法，对设备容量进行求解。这些智能算法通常能够对目标进行求解，得到优化结果，但也存在收敛速度慢，易产生早熟，陷入局部最优等缺点。不同的算法有各自的优缺点，如何结合模型自身条件，选择合适的算法，或者对现有算法进行改进和创新，解决目前算法存在的缺点，显得尤为重要。本文针对目前算法的缺点，提出用改进万有引力搜索算法（IGSA）来求解多能源移动电源车优化配置问题，得到最优化结果，并通过对比验证本改进算法的优越性。1多能源移动电源车结构及设备出力模型1.1多能源移动电源车结构多能源移动电源车主要包括风力发电系统、光伏发电系统、柴油发电机、蓄电池、AC/DC、DC/AC 等。其拓扑结构如图1所示。1.2各设备数学出力模型1.2.1风力发电机风力发电机的数学出力模型为13：Pwt=0，0 v vIN，v vOUTPwt0v-vINvR-vIN，vIN v vRPwt0，vR v vOUT（1）式中，Pwt为风力发电机输出功率，v为风机实际风速，vIN、vOUT、vR为风机的切入、切出、额定风速，Pwt0为风机额定功率。1.2.2光伏阵列光伏阵列的数学出力模型为14：Ppv=fpvPSGCGS1+()TC-TS（2）TC=TB+30 GC1000（3）式中，Ppv为光伏阵列输出功率，fpv为光伏阵列的功率降额因数，PS为额定标准条件下光伏阵列的输出功率，GC为光照辐射强度，GS为标准测试条件下的光照辐射强度，为功率温度系数，TC为光伏阵列的表面温度，TS为标准测试条件下光伏阵列的表面温度，TB为当前外界环境温度。1.2.3柴油发电机柴油发电机的数学出力模型为15：F=F1PN+F2PDE（4）式中，F为柴油发电机的耗油量，F1为柴油发电机燃料曲线的截距系数，PN为柴油发电机的额定功率，F2为柴油发电机燃料曲线的斜率，PDE为柴油机的输出功率。1.2.4蓄电池任意t时刻，蓄电池荷电状态为16-17：S(t)=(1-)S(t-t)+E(t)-E(t-t)EBR（5）式中，S（t）和S（t-t）为t时刻和t-t时刻蓄电池荷电状态，为蓄电池自放电系数，E（t）和E（t-t）为t时刻和t-t时刻蓄电池当前容量，在充电状态下，E（t）E（t-t），在放电状态下，E（t）E（t-t）；EBR为蓄电池额定容量，单位为kWh。每小时内的充放电容量不能超过最大容量的20%，即：PB+0.2EBR/tPB-0.2EBR/t（6）式中，PB+和PB-为蓄电池单位小时内的充放电功率，t=1 h。AC/DCDC/ACDC/ACDEAC：LoadDC/ACBSWTPV图1移动电源车结构图zz1062023年第12期2多能源移动电源车优化配置模型2.1经济性分析本文建立了含有风机、光伏列阵、柴油发电机和蓄电池系统的多能源移动电源车优化配置模型，在满足电源车负荷需求的同时，主要将等年值设备投资费用、蓄电池更换成本、运行维护费用、燃料费用、环保折算费用5部分计入经济成本，建立经济性数学模型如下：C()x=i=1N()CCPixi+COMixi+CFCixi+CECixi+Crep（7）式中，N表示多能源移动电源车中的总电源类型；xi表示第i种电源数量；CCPi表示第i种电源的等年值设备投资费用，COMi表示第i种电源的运行维护费用，CFCi表示第i种电源的燃料费用，CECi表示第i种电源的环保折算费，Crep表示全寿命期内蓄电池更换成本。1）等年值设备投资费用：CCPi=CTCPi（8）=r()1+rZ()1+rZ-1（9）式中，CTCPi表示第i种电源的总装机费用，Z表示全寿命使用年限，r表示贴现率。2）全寿命期内蓄电池更换成本：Crep=CTCPBSnbs（10）式中，CTCPBS表示蓄电池总装机费用，nbs表示蓄电池的更换次数。3）运行维护成本：COMi=PiKi+CTi（11）式中，Pi表示第i种电源设备的装机容量，Ki表示第i种电源的运行维护成本比率系数，CTi表示第i种电源的固定运行维护成本。4）燃料费用。第i种电源的燃料费用可用以下公式表示：CFCi=KFiPiTD（12）式中，KF表示第i种电源的燃料单价成本（元/kWh），TD表示电源车总年限工作时间。5）环保折算费用。第i种电源的环境折算费用为：CECi=k=1Mfk,iPiTD()Vk+Vk（13）式中，M为多能源移动电源车排放污染物种类，fk，i表示第k种污染物的排放系数，Vk表示污染物的环境价值，Vk表示污染物的罚款。2.2优化目标本文研究年经济成本最低，优化目标函数为：F（x）=minC（x）（14）2.3约束条件1）出力约束。移动电源车的设计要求是要能满足负荷的用电需求，有：PS PDPS=PS1，PS2，PSiPD=PD1，PD2，PDi（15）式中，PS为移动电源车输出功率集合，PD为负荷需求功率集合。2）决策变量范围约束：0 xWT xWTmax0 xPV xPVmax0 xBS xBSmax0 xDE xDEmax（16）式中，xWT表示风电机组数量，xPV表示光伏电池数量，xBS表示蓄电池数量，xDE表示柴油发电机数量，xWTmax、xPVmax、xBSmax、xDEmax分别表示其对应数量的最大值。3）蓄电池充放电约束：Smin S Smax（17）蓄电池的使用寿命和充放电率相关，充放电率过高将使电池的使用寿命降低。每小时内的充放电容量不能超过最大容量的20%，即：PB+0.2EBR/tPB-0.2EBR/t（18）4）柴油发电机运行约束：PDEmin PDE PDEmax（19）式中，PDEmin表示柴油发电机允许的最小输出功率；PDEmax表示柴油发电机允许的输出最大功率，PDE表示柴油机的实际输出功率。5）重量体积约束：i=1Nmi xi mmaxi=1Nvi xi vmax（20）式中，mmax表示移动电源车能够承受的最大重量，vmax表示移动电源车能够承受的最大体积。6）可靠性约束。当移动电源车处于既无风又无光的极端环境，其输出功率应能保障负荷的最小用电需求。xDE PDE PDmin（21）式中，PDmin为负荷最小需求功率。3改进的万有引力搜索算法3.1万有引力搜索算法万有引力搜索算法（Gravitational Search Algorithm，GSA）是一种新的基于种群的搜索算法18-28，2009年由 Rashedi等提出。算法中粒子通过万有引力定律及运动定律相互作用分享信息，并向着质量最大的粒子运动，质量最大的粒子将占据最优的位置，即可得到问题的最优解。在GSA算法中，确定的时间“t”时刻，定义粒子j对粒子i的作用力为：Fdij(t)=G(t)Mpi(t)Maj(t)Rij(t)+(xdj(t)-xdi(t)（22）Fdi(t)=j Kbest，j iNrandjFdij(t)（23）王凯翔，等：基于改进GSA算法的多能源移动电源车优化配置107计算机与现代化2023年第12期其中，Maj（t）是粒子j的主动引力质量，Mpi（t）是粒子i的被动引力质量，G（t）是t时刻的引力常数，是很小的常数，Rij（t）是粒子 i 与粒子 j 之间的欧氏距离，xdi(t)、xdj(t)分别是粒子 i与粒子 j在 d维的位置，Kbest是具有最佳适应度值和最大质量的K个粒子，randj是01之间均匀分布的随机数。根据运动定律，粒子i在d维度、t时刻的加速度、速度、位置为：adi(t)=Fdi(t)Mii(t)（24）di(t+1)=randj di(t)+adi(t)（25）xdi(t+1)=xdi(t)+di(t+1)（26）其中，Mii（t）是粒子i的惯性质量，randj是01之间均匀分布的随机数。因此将惯性质量和引力质量改写为：Mai=Mpi=Mii=Mi，i=1，2，Nmi(t)=fiti(t)-worst(t)best(t)-worst(t)（27）Mi(t)=mi(t)j=1Nmj(t)（28）对于最小化问题，可定义best（t）和worst（t）如下：best(t)=minj 1，N fitj(t)（29）worst(t)=maxj 1，N fitj(t)（30）3.2改进万有引力搜索算法基于粒子群改进的万有引力搜索算法（IGSA），是在万有引力搜索算法的基础上，把粒子群算法中的局部最优和全局最优的概念引入进来，在每次迭代计算过程中，既保留了万有引力搜索算法的原理，同时也“记忆”了粒子群算法中粒子个体历史最优位置和全局最优位置，即：Pip1i，p2i，pni，Xgx1g，x2g，xng粒子群算法中粒子的速度与位置更新方式为：vdi(t+1)=vdi(t)+c1 r1(xdgi-xdi(t)+c2 r2(pdi-xdi(t)（31）xdi(t+1)=xdi(t)+vdi(t+1)（32）式中，c1和c2为粒子群算法中的系数，改进的万有引力搜索算法的速度和位置更新方式为：vdi(t+1)=rand1 vdi(t)+adi(t)+c1 rand2(xdgi-xdi(t)+c2 rand3(pdi-xdi(t)（33）xdi(t+1)=xdi(t)+di(t+1)（34）式中，c1和c2为粒子群算法中的系数，rand是随机产生的函数。3.3改进算法求解流程1）初始化移动电源车中各设备参数和算法基本参数，随机初始化全部粒子的位置和速度。2）计算各粒子的适应度值，取最小值作为种群的最优解Fbest，同时将该粒子位置作为全局最优点Xs，每个粒子的位置为个体最优点Pi。3）更新粒子的引力系数G（t）、惯性质量Mi（t）、最佳值best（t），最差值worst（t）。4）计算粒子的质量M和加速度a，确定全局最优粒子及个体历史最优粒子。5）更新粒子的速度和位置。6）计算各粒子的适应度值。7）返回至步骤2），当迭代次数达到最大值后停止迭代。图2是IGSA流程图。图2IGSA流程图4算例分析4.1算例背景及相关气象数据本文以我国西藏某地区为例，进行算例分析验证。该地区海拔约4300 m，最高气温23.1，最低气温-27.9，年平均气温 2.1，年平均降水量 617.5mm，年均日照时数3097.3 h。负荷需求以某部野外作业为背景，其最小10 kW，最大50 kW。数据采样间隔1 h，2020年该地区全年8760 h的光照强度、风速及全年气温数据分别如图3图5所示。图3全年光照强度数据4.2设备参数各设备参数如表1和表2所示，柴油发电机在海拔4300 m环境工作，实际额定输出功率约为标准额初始化粒子 评估每个粒子的适应度 更新粒子的引力系数 G(t)、惯性质量M(t)、最佳值best(t)、最差值worst(t)计算粒子的质量M 和加速度a，确定全局最优粒子及个体历史最优粒子 更新速度和位置 满足条件？返回最优解 是 否 1082023年第12期定功率的70%。移动电源车载重7000 kg，车厢体积约为25 m3。表1供能设备参数设备参数型号容量/kW重量/kg体积/m3投资成本/(/kW)运维成本/(/kW)燃料成本/(/kWh)环境成本/(/kWh)WTXIL-B1186.73.5465000.02600PVTSM-DEG21C0.66539.30.10646000.02400DEKC30GF306971.6616670.2321.8190.04978KC50GF509431.9611600.2321.8190.04978表2储能设备参数设备参数容量/kWh重量/kg体积/m3投资成本/(/kWh)运维成本/(/kWh)燃料成本/(/kWh)环境成本/(/kWh)磷酸铁锂电池4.8400.0415230.008004.3优化配置分析本文算法采用图3图5中的逐小时高原高寒地区的气象数据，计算各型能源发电的功率，并根据逐次迭代中，各能源的数量参数（即粒子位置）进行计算。当算法违反约束时，采用“惩罚函数法”，设置罚函数权重系数，对算法结果进行修正。最终，获得高原高寒特殊地理条件下多能源最优化配置方式。其中，算法初始参数设置为：种群规模100，最大迭代次数 500，c1和 c2分别取 0.5。将以上数据代入 IGSA 算法，其优化配置结果如表3所示，设备配置数迭代更新情况如图6所示。表3优化配置结果设备名称WT/台PV/台DE/台BS/组年经济成本/元优化配置结果0931(30kW)2946942001002003004005000123456数量/台WT迭代次数01002003004005002030405060708090100110数量/台PV迭代次数010020030040050001234数量/台DE(30kW)迭代次数0100200300400500012345数量/台DE(50kW)迭代次数0100200300400500020406080100数量/组BS迭代次数（a）WT（b）PV（c）DE（30kW）图4全年风速数据图5全年温度数据01002003004005000123456数量/台WT迭代次数01002003004005002030405060708090100110数量/台PV迭代次数010020030040050001234数量/台DE(30kW)迭代次数0100200300400500012345数量/台DE(50kW)迭代次数0100200300400500020406080100数量/组BS迭代次数01002003004005000123456数量/台WT迭代次数01002003004005002030405060708090100110数量/台PV迭代次数010020030040050001234数量/台DE(30kW)迭代次数0100200300400500012345数量/台DE(50kW)迭代次数0100200300400500020406080100数量/组BS迭代次数王凯翔，等：基于改进GSA算法的多能源移动电源车优化配置109计算机与现代化2023年第12期图6设备配置数迭代情况年经济成本中，包含等年值设备投资费用46539元，全寿命期内蓄电池更换成本27285元，运行维护成本 51816 元，燃料费用 334623 元，环境折算费用9157元。配置结果也表明，由于移动电源车载重和体积的限制，风电机组在多能源移动电源车中使用不是最优选择。4.4算法对比针对该问题，将本文算法与遗传算法（GA）、标准粒子群算法（PSO）、万有引力算法（GSA）进行了对比，4种算法运行结果如图7所示。图7算法迭代变化图从图 7可以看出，IGSA在收敛速度和优化结果上有明显的优势。为进一步分析，用表 4 列出相关数据。表4优化配置结果对比分析算法类型IGSAGSAGAPSO收敛迭代次数70320271433年经济成本/元4694207326041159382482740质量/kg55123890847265871体积/m312.67810.16210.22613.104通过表7可以分析：1）IGSA 的收敛迭代速度是 GSA 的 4.57 倍，是GA的3.87倍，是PSO的6.19倍，表明IGSA具有较好的收敛速度。2）IGSA 的 年 经 济 成 本 优 化 结 果 为 GSA 的64.08%，为 GA 的 40.49%，为 PSO 的 97.24%，表 明IGSA具有较好的全局搜索能力。3）由于 GA 的年经济成本优化结果是 IGSA 的2.47倍，是PSO的2.40倍，GSA年经济成本优化结果是IGSA的1.56倍，是PSO的1.52倍，差别太大，则只比较IGSA和PSO的求解配置结果。采用IGSA求解配置的多能源移动电源车，其质量比PSO求解配置的轻6.11%，体积比PSO求解配置的少3.25%。在其他条件一定的情况下，多能源移动电源车设备总质量越轻，其在行驶过程中耗油量将越少，其机动性也将更好。多能源移动电源车总体积越小，将有利于整个设备的布局和散热。这表明IGSA在求解多能源移动电源车优化配置问题上能使电源车具有更好的性能。5结束语本文建立了移动电源车的基本结构图和各设备的数学出力模型，以年经济成本最低为优化目标，以改进万有引力搜索算法求解具体算例，同时采用遗传算法和粒子群算法进行求解，得到多能源移动电源车的优化配置结果和年最低经济成本。通过不同算法的比较，得出结论如下：1）改进万有引力搜索算法适合于对包含多变量、多约束、高维度、非线性模型的多能源移动电源车优化问题求解。2）改进万有引力搜索与遗传算法和标准粒子群算法相比，具有较好的收敛速度和全局搜索能力。3）本文采用的基于改进万有引力搜索算法的多能源移动电源车优化配置，不仅能够降低经济成本，还能使电源车获得更好的机动性、油耗性和布局性。参考文献：1 包润民.风光沼移动电源车的设计与研究 D.保定:华北电力大学，2018.2 李明，邓冬冬，黄鹤.风-光-柴-储互补发电能源车系统关键技术研究 J.柴油机，2017，39（5）:38-40.3 牛芝雅.光柴储移动电源车关键技术的研究与应用D.沈阳:沈阳工程学院，2019.4 YAZICI M S，YAVASOGLU H A，EROGLU M.A mobileoff-grid platform powered with photovoltaic/wind/battery/fuel cell hybrid power systems J.International Journal ofHydrogen Energy，2013，38（26）:11639-11645.01002003004005000123456数量/台WT迭代次数01002003004005002030405060708090100110数量/台PV迭代次数010020030040050001234数量/台DE(30kW)迭代次数0100200300400500012345数量/台DE(50kW)迭代次数0100200300400500020406080100数量/组BS迭代次数（d）DE（50kW）（e）BS0100200300400500120200240280 粒子群算法 遗传算法 万有引力算法 改进万有引力算法年经济成本/元迭代次数20dB1102023年第12期5 李咸善，方婧，郭诗书，等.基于灵敏度分析的并网型微电网容量优化配置 J.电力系统保护与控制，2018，46（23）:8-17.6 MAKHDOOMI S，ASKARZADEH A.Optimizing operationof a photovoltaic/diesel generator hybrid energy system withpumped hydro storage by a modified crow search algorithmJ.Journal of Energy Storage，2020，27.DOI:10.1016/j.est.2019.101040.7 DONG J，DOU Z H，SI S Q，et al.Optimization of capacity configuration of wind-solar-diesel-storage using improved sparrow search algorithmJ.Journal of ElectricalEngineering&Technology，2022，17（1）:1-14.8 BUKAR A L，TAN C W，LAU K Y.Optimal sizing of anautonomous photovoltaic/wind/battery/diesel generator microgrid using grasshopper optimization algorithm J.SolarEnergy，2019，188:685-696.9 赵超，王斌，孙志新，等.基于改进灰狼算法的独立微电网容量优化配置 J.太阳能学报，2022，43（1）:256-262.10张玉，卢子广，卢泉，等.基于Levy飞行改进鸟群算法的光伏直流微电网优化配置研究 J.太阳能学报，2021，42（5）:214-220.11刘忠，陈星宇，邹淑云，等.计及碳排放的风-光-抽水蓄能系统容量优化配置方法 J.电力系统自动化，2021，45（22）:9-18.12 阳洋，李奇，蒲雨辰，等.考虑电动汽车充电方式的热-电-氢耦合孤岛综合能源系统优化配置 J.电网技术，2022，46（10）:3869-3880.13 司徒友，周立德，陈凤超，等.基于典型场景集的智能园区多能源微网多目标配置优化研究 J.太阳能学报，2022，43（9）:515-526.14 李益民，王关平，马建立，等.基于天牛须搜索遗传算法的风光柴储互补发电系统容量优化配置研究 J.储能科学与技术，2020，9（3）:918-926.15 ABO-ELYOUSR F K，ELNOZAHY A.Bi-objective economic feasibility of hybrid micro-grid systems with multiple fuel options for islanded areas in EgyptJ.Renewable Energy，2018，128（Part A）:37-56.16 MA X，ZHANG C H，LI K，et al.Optimal dispatchingstrategy of regional micro energy system with compressedair energy storage J.Energy，2020，212.DOI:10.1016/j.energy.2020.118557.17 严海波，康林贤，周冬.考虑随机性的微电网日前调度与储能优化模型 J.电网与清洁能源，2019，35（11）:61-65.18 RASHEDI E，NEZAMABADI-POUR H，SARYAZDI S.GSA:A gravitational search algorithm J.Information Sciences，2009，179（13）:2232-224819赵允坤，胡军，杨斌.基于万有引力搜索算法优化BP的尾矿坝浸润线预测 J.水电能源科学，2022，40（6）:97-100.20 刘艺凡，田雨波.基于万有引力搜索算法极限学习机的谐振频率建模 J.江苏科技大学学报（自然科学版），2022，36（2）:73-79.21 张志文，刘军，周冠东，等.基于改进二进制万有引力算法的含DG配电网故障定位 J.电力系统及其自动化学报，2018，30（4）:30-34.22 袁晓玲，程淋伟，鲁丽娟，等.基于万有引力搜索算法的微电网风光储容量优化配置 J.电力需求侧管理，2017，19（6）:14-19.23 马力，刘丽涛.万有引力搜索算法的分析与改进 J.微电子学与计算机，2015，32（9）:76-80.24 李鹏，徐伟娜，周泽远，等.基于改进万有引力搜索算法的微网优化运行 J.中国电机工程学报，2014，34（19）:3073-3079.25 范炜锋.万有引力搜索算法的分析与改进 D.广州:广东工业大学，2014.26 张维平，任雪飞，李国强，等.改进的万有引力搜索算法在函数优化中的应用 J.计算机应用，2013，33（5）:1317-1320.27 谷文祥，郭丽萍，殷明浩.模糊c-均值算法和万有引力算法求解模糊聚类问题 J.智能系统学报，2011，06（6）:520-525.28 徐遥，王士同.引力搜索算法的改进 J.计算机工程与应用，2011，47（35）:188-192.（上接第104页）15张浩为，谢军伟，葛佳昂，等.改进TOPSIS的多态融合直觉模糊威胁评估 J.系统工程与电子技术，2018，40（10）：2263-2269.16杨雨田，杨杰，李建国.基于EMEBN的空中目标战术意图识别方法 J.火力与指挥控制，2022，47（5）：163-170.17 乔殿峰，梁彦，马超雄，等.多域作战下的群目标意图识别与预测 J.系统工程与电子技术，2022，44（11）：3403-3412.18 周旺旺，姚佩阳，张杰勇，等.基于深度神经网络的空中目标作战意图识别 J.航空学报，2018，39（11）：195-203.19 滕飞，邢千里，王龙飞，等.基于时序卷积网络的空中目标作战意图识别模型 C/2022中国自动化大会论文集.2022：97-104.20 孙宇祥，周献中，戴迪.基于属性约简与BP神经网络的舰艇目标威胁评估方法 J.指挥与控制学报，2021，7（4）：397-402.21 杨璐，刘付显，朱丰，等.基于贝叶斯推理的海战场空中目标意图分层识别方法 J.火力与指挥控制，2018，43（7）：86-93.22 DEWANGGA W，SASONGKO R A.Missile threat assessment system using naive Bayes classifier approachC/Proceedings of the 6th International Conference of Science，Technology，and Interdisciplinary Research 2020（IC-STAR 2020）.2020.DOI：10.1088/1757-899X/1173/1/012057.23陈俊，李丹丹，席宁丽，等.注意力机制LSTM虚拟机能耗建模方法 J.计算机工程与设计，2023，44（2）：629-635.24 徐健，郭湛澎，刘秀平，等.基于注意力机制的多方向文本检测 J.光电子 激光，2023，34（2）：166-173.25 李战武，李双庆，彭明毓，等.基于注意力机制改进的LSTM空战目标意图识别方法 J.电光与控制，2023，30（3）：1-7.26 MNIH V，HEESS N，GRAVES A，et al.Recurrent modelsof visual attentionC/Proceedings of the 27th International Conference on Neural Information Processing Systems.2014，2：2204-2212.27 VASWANI A，SHAZEER N，PARMAR N，et al.Attention is all you need C/Proceedings of the 31st International Conference on Neural Information Processing Systems.2017：6000-6010.王凯翔，等：基于改进GSA算法