---

1.摘要

随着空调负载在电力系统中所占比例的不断上升，其作为需求响应资源的潜力日益凸显。然而，由于建筑环境和用户行为的变化，空调负载具有异质性和动态非线性特性，导致传统参数辨识与聚合建模精度不足。因此，本文提出一种多策略改进黑翅鸢算法（MBKA），结合一阶等效热参数（ETP）模型与实测数据，实现对空调系统中电阻和电容参数的准确识别。

2.黑翅鸢优化算法BKA原理

【智能算法】黑翅鸢优化算法（BKA）原理及实现

3.改进策略

为了提升种群的搜索性能，使其具备更强的开发能力并能快速收敛，本文通过引入佳点集初始化、非线性平衡因子和融合随机数$I$等改进策略。

佳点集

为提升算法在搜索过程中的性能与收敛速度，本文采用佳点集对初始种群进行均匀初始化。相较于传统的随机初始化方式，该方法能够更均匀地覆盖整个解空间，增强全局搜索能力，有效避免粒子在初始阶段过度集中导致的早熟收敛问题，从而显著提升算法的全局优化能力和收敛效率：
$$X_i=B{K}_{lb}+P_n(i)(B{K}_{ub}-B{K}_{lb})$$

非线性平衡因子

非线性平衡因子使算法的局部开发能力能够随着迭代次数的增加逐步增强，并在精英个体的引导下实现快速搜索与收敛，从而动态调节算法的开发与探索能力：
$$B_f=(1/(1+\exp (-((t/T)-a)\times b)))\times R$$

和融合随机数$I$

本文通过引入随机数$I$作为乘法因子调整黑翅鸢的迁移行为，当$I=2$时，个体的位移范围扩大，使其能够探索搜索空间中的新区域，从而增强搜索过程的随机性与多样性，有效提升算法的全局搜索能力和避免陷入局部最优：
$$y_{t+1}^{i,j}=\{\begin{array}{ll}{y}_t^{i,j}+C(0,1)\times \left(y_t^{i,j}-I\times L_t^j\right),& F_i<F_{ri}\\ y_t^{i,j}-C(0,1)\times \left(L_t^j-m\times y_t^{i,j}\right),& \text{else}\end{array}$$

流程图

4.结果展示

PS：改进策略常见，有需要做应用可以联系我~

5.参考文献

[1] Zhou M, Shi C, Hu F, et al. RC parameter identification and load aggregation analysis of air-conditioning systems: A multi-strategy improved black-winged kite algorithm[J]. Energy and Buildings, 2025, 337: 115641.

6.代码获取

7.读者交流