基于粒子群算法的独立混合发电系统成本优化

纳文·拉姆¹， J.德维·什里²， A. Kiruthiga^3.

印度泰米尔纳德邦哥印拜陀市Kalaivani理工学院电子工程学院助理教授¹
印度泰米尔纳德邦哥印拜陀市哥印拜陀理工学院电子工程学系助理教授(高级)²
印度泰米尔纳德邦哥印拜陀萨苏里工程院电子工程学系助理教授^3.

摘要

随着化石燃料储量的减少和世界人口需求的增加，人们必须寻求新的能源生产方式。随着技术和创新的进步，我们能够解决能源危机，最好的答案是可再生能源。风力发电机和光伏板具有不造成环境污染的优点，但需要较高的资金和安装成本。本文讨论了为满足额外需求，由风力发电机、光伏板和蓄电池连接到柴油发电机组成的独立混合动力发电厂的优化设计。设计标准的主要目标是最小化总成本，包括初始成本、运行成本和维护成本。为了获得该混合系统的最优设计条件，采用了元启发式粒子群算法。为了说明设计过程，文中讨论了该方法的仿真结果。

关键字

能源危机，风力-光伏混合系统，成本最小化，粒子群优化。

介绍

全球变暖和气候变化已成为当今人们关注的主要问题。正因为如此，大多数国家已经开始把目光转向清洁的绿色可再生能源。这是目前广泛使用的，这为世界能源需求带来了光明的前景。许多研究人员已经开始关注这一领域，因为这些是可持续的和方便的替代品。太阳能-风能混合发电系统(HSWPS)的设计在过去十年中受到了广泛的关注。

采用这两种能量的主要原因有两个。首先，WTG不会给环境带来任何不利影响。其次，光伏阵列耐用，不产生任何排放，运行时只需很少的维护。但这些资源的主要问题是它们依赖于时间。太阳能在夜间和阴天无法使用，这是不可预测的。同样，风能也不会全年供应。由于能源的这种性质，由于这两种能源都高度依赖天气状况，因此会产生功率波动。为了尽量减少这些对电力系统的影响，可以采用储能技术，如蓄电池。蓄电池在电力系统的各种需求条件下，吸收多余的电能，提供不足的电能。

在这里，我们将讨论如何实现一种方法，通过考虑系统的经济方面作为目标函数，为连接到常规发电机的混合动力系统制定各种设计标准。这有助于设计者对系统进行深入的研究，进行必要的修改，为系统的运行提供完善的备选建议。由于设计参数的复杂性较高，采用粒子群优化的元启发式方法辅助决策支持。这种优化技术已经成为一种出色的优化器，因为它能够解决困难的优化问题以及它出色的收敛性能。

提出的混合发电系统

所提出的风能、光伏和蓄电池一体化发电系统框图如图1所示。此配置可用于独立系统和网络连接系统的研究。对于单机系统，如果需求大于发电和存储的总和，则必须由备用发电机供电。对于网络连接配置，不需要备份发电机。此外，如果产生的总功率大于需求，且存储已满，则多余的发电被转储到外部电压控制的电阻性负载。在系统中加入转储负载的目的是为了保持系统频率和电压的稳定。如果多余的能量不能被有效地消散，那么它必须作为热量处理。这些电源对成本、环境和可靠性有不同的影响。在混合发电系统中，它们被集成在一起并相互补充，以满足一定的经济、环境和可靠性标准。

目标函数

本研究的目标功能是开发一个独立的混合发电系统，该系统在受系统运行约束的情况下，在所有经济方面和措施方面进行了适当的设计。换句话说，最小化总成本。总成本($/年)包括初始成本、每种电源的运行和维护成本，以及应扣除的每台设备的残值。

式中w、s、b分别表示风能、太阳能、蓄电池容量;分别为设备i的初始成本、残值现值和运行维护成本(OM)现值;NP(年)是项目的生命周期;Cg为备用发电机发电的年成本。

A.用于风力发电机

初始成本为

Iw = αwAw

α w ($/m2)是wtg的初始成本。

现残值总额为

Sw ($/m2)为每平方米wtg的残值，

β通货膨胀率，γ利率。

OM的现值

α ($/m2/年)为每年单位面积OM成本，

是升级速率。

B.用于光伏板

初始成本为

Is = αsAs

$/m2为初始成本。

现残值总额为

($/m2)为pv每平方米残值。

OM的现值

α ($/m2/年)为每年单位面积OM成本，

是升级速率。

C.用于蓄电池

初始成本为

N是SB的寿命，

X为项目生命周期内购买电池的次数，

Np为蓄电池残值，本计算中忽略。

OM总成本

αOM ($/kWh/year)是每千瓦时的年OM成本。

D.备用发电机

年发电成本

T(8760小时)为考虑的运行时间

约束

混合动力系统产生的总功率应能满足任何时候的电力需求，且具有一定的可靠性。这在数学上可以表示为

Pw -风电，Ps -太阳能，Pb -电池放电功率，Pg -电网购电量，Pl (t) -输电损耗，Pd -总负荷需求。

变量范围

粒子群优化

PSO算法通过在搜索空间中同时维护几个候选解来工作。在算法的每次迭代中，每个候选解都由被优化的目标函数评估，确定该解的适合度。PSO算法由三个步骤组成，这些步骤不断重复，直到满足某个停止条件，

1.评估每个粒子的适应度

2.更新个人和全球最佳健康和位置

3.更新每个粒子的速度和位置

在每次迭代之后，每个粒子都按照两个“最佳”值进行更新。第一个是迄今为止它所实现的最佳解决方案(健身)。适应度值也会被存储。这个值称为“pbest”。粒子群优化器跟踪的另一个“最佳”值是迄今为止群体中任何粒子获得的最佳值。这个最优值是一个全局最优值，称为“gbest”。在找到两个最佳值后，粒子更新其速度和位置。

用下面的公式更新蜂群中每个粒子的速度

一旦计算出每个粒子的速度，通过将新的速度应用到粒子先前的位置，每个粒子的位置就会更新

答:算法

该方法的计算过程如下

步骤1:指定wtg扫面积的上下界、光伏板面积、电池数等预定参数。

步骤2:通过随机生成一个粒子种群，初始化每个粒子的速度和位置。

步骤3:基于各粒子的帕累托优势位置的方法，估计种群的Diin。

第4步:将上一步估计的非支配解存储在存档中。

步骤5:创建另一个存档用于存储内存细节，其中包含关于每个粒子的个人最佳值pbest的初始化信息。

步骤6:将迭代次数增加1。

步骤7:根据适应度函数计算适应度值;在本文中，适应度值由代价函数定义，可以计算。根据适应度值来判断解的好坏。根据内存记录更新个人最佳位置pbest和gbest值。

步骤8:更新每个Di的成员速度v。

对于二进制编码的设计变量，根据离散变量的更新规则更新成员位置。

步骤10:存储非支配解的存档应该根据基于帕累托最优性的选择条件进行更新。

第11步:内存中的Pbest根据个体当前值的支配性进行更新。如果pbest占主导地位，则保持内存不变，否则用新的pbest值更新内存。

步骤12:如果达到停止条件，请转到下一步，否则转到步骤6

步骤13:打印出档案中的解决方案集，作为上述讨论的系统的可能设计标准。

B.流程图

C.粒子群优化参数

在仿真中，种群大小和存档大小都设置为100，最大迭代次数在100到500之间变化，以获得不同的设计标准。加速度常数c1和c2取1。收敛系数设计在xÃ Âµ(0,1)范围内。惯性权重因子w随着迭代次数的增加而减小。

其中，max iter是最大迭代次数，iter是当前迭代次数。仿真程序使用Mat lab编码，并在2.20 GHz Intel双核处理器和2GB Ram中执行。

仿真结果

仿真程序所使用的数据如表1所示。采用上述步骤，得到了不同设计场景下基于帕累托优势的非支配解，如表2所示。仿真结果表明，考虑设计准则的代价函数的非支配解随参数的不同而不同。用户可根据个人需求选择所需的系统设计。基于不同设计参数的不同优化方案如图2、图3、图4所示，

结论

所提出的方法既考虑了解的精度，又考虑了混合系统的计算开销。本文描述了利用粒子群算法估计和优化混合系统成本的技术。在该方法中，以成本为基础设计了包括风力发电、太阳能发电和蓄电池的混合发电系统，并对其仿真结果进行了讨论。与单独的可再生能源相比，混合能源提供了更好的可靠性和更低的成本。与传统替代能源相比，可再生能源的使用提供了大量的环境信用。所提出的分析允许用户研究经济和运行因素之间的相互作用，因此它为设计和分析具有成本效益的混合动力系统提供了有用的工具。这项工作可以在未来进一步开展，包括一段时间内可再生能源可用性的不稳定性。

数字一览


图1	图2	图3


图4	图5	图6

参考文献

R. Chedid, H. Akiki，和S. Rahman，“混合太阳能-风力发电系统设计的决策支持技术”，IEEE Trans。能源Convers。，第13卷，no。1，页76-83,1998年3月。
J. Kennedy和R. Eberhart，“粒子群优化的离散二进制版本”，发表于《IEEE Int》。相依系统。，Man, Cybern., Orlando, FL, 1997, pp. 4104–4108.
刘德寿，陈建昌，吴志强，及王伟。K. Ho，“基于粒子群优化的多目标模因算法”，IEEE Trans。系统。，Man, Cybern. B, Cybern., vol. 37, no. 1, pp. 42–50, Feb. 2007.
Francois Giraud和Zyiad M. Salameh，“带电池存储的并网屋顶混合风力-光伏发电系统的稳态性能”，IEEE Trans。《能量转换》第16卷第1期2001年3月1日
M. H. Nehrir, C. Wang, K. Strunz, H. Aki, R. Ramakumar, J. Bing, Z. Miao，和Z. Salameh，“用于发电的混合可再生/替代能源系统:配置，控制和应用”，IEEE trans。可持续能源，第2卷，第2期。2011年10月4日。
Tomonobu Senjyu, Daisuke Hayashi, Naomitsu Urasaki和Toshihisa Funabashi，“基于遗传算法的住宅可再生发电系统优化配置”，IEEE trans。《能量转换》第21卷第1期2006年6月2日。
Riad Chedid和Saifur Rahman，“混合风力-太阳能发电系统的单元尺寸和控制”，“IEEE trans，能量转换，第12卷，第1期，1997年3月。
Coello Coello, C. A.和Lechuga, M.S.(2002)，“MOPSO:多目标粒子群优化的建议”，进化计算大会论文集(CEC ' 2002)，第2卷，IEEE出版社，第1051 - 1056页。
Kellogg, W.， Nehrir, M. H.， Venkataramanan, G.和Gerez, V.(1996)，“风力/光伏混合发电系统的最佳单元尺寸”，电力系统研究，第39卷，第35-38页。
H. L. Willis和W. G. Scott，“分布式发电:规划和评估”，纽约:Marcel Dekker, 2000。