基于蚁群算法的风-光互补系统容量优化.docxVIP

基于蚁群算法的风-光互补系统容量优化 “风光”互补系统的出现，为偏远地区和海岛居民的能源消耗提供了合理有效的方法。其充分利用了风、光资源在时间及地域上的互补性, 能够在有效降低系统成本的同时提高系统供电可靠性。目前运行的“风-光”互补系统中普遍存在组件容量设计不合理的现象, 造成系统供电可靠性低、成本过高等问题, 因此需要对系统组件容量进行优化。在“风-光”互补系统中, 组件的不同容量组合会对系统的性能表现产生重要影响, 属于组合优化中典型的NP-hard问题, 对此问题可应用蚁群优化算法进行求解。本文提出了一种基于有向图思想的“最大-最小”蚂蚁系统算法, 在满足一定负载失电率 (LPSP) 的前提下, 对系统能量均摊成本 (LCE) 进行优化, 从而得出系统各组件的容量大小。 1 主要工作原理 图1所示为本文中所研究的“风-光”互补系统的结构, 其主要工作原理如下。 由光伏阵列和风力发电机所产生的电能经过风光互补控制器后向蓄电池组充电, 蓄电池组在储存电能的同时经过逆变器 (直流-交流) 向交流负载供电。 2 个系统性能表现 在“风-光”互补复合能源供电系统中, 评价整个系统性能表现的主要指标是供电可靠性和系统成本。对这两项指标的评估是通过计算负载失电率LPSP和能量均摊成本LCE这两个参数来实现的。 2.1 负载功率特性面 负载失电率LPSP被定义为在运行周期内, 系统亏欠负载的电量与评估期内负载所要消耗的总电量的比值: 系统在t时刻亏欠负载的总电量LPS(t) 为 式中,PLoad为负载功率需求, W;PPV(t)ΡΡV(t)为t时刻由光伏阵列产生的功率, W;PWT(t)ΡWΤ(t)为t时刻由风机产生的功率, W;Cbat为蓄电池组额定容量, Ah;SOC(t?1)SΟC(t-1)为蓄电池组在t-1时刻的荷电状态;SOCmin为蓄电池组允许的最小荷电状态;Δt为时间步长, h;ηinv为逆变器效率, 本文取90%。 2.2 系统投资回收率及ctal 能量均摊成本LCE由下式定义 式中,ELoad为系统每年向负载提供的电量, kWh;Ctotal为系统中所有组件的总成本, ￥;CRF为投资回报系数。Ctotal和CRF可分别通过下式计算: 式中,i为利息率, 本文取8%;n为系统寿命, 年;Ctot-PV、Ctot-WT为分别为光伏组件、风机的初期投资和维护成本, ￥;Ctot-bat为蓄电池的初期投资和更换成本, ￥。 2.3 组件容量设计过剩 根据图1所示系统结构, 在负载对供电可靠性有一定要求的前提下, 可将组件容量对LPSP和LCE的影响分为以下3种情况: 1) 组件容量设计过剩:此时LPSP虽满足要求, 但LCE将很高, 系统经济性差。且随着组件容量的增大,LPSP呈减小趋势,LCE呈增加趋势。 2) 组件容量设计不足:此时LCE虽然低, 但由于LPSP不满足要求, 系统的供电可靠性差。且随着组件容量的减小,LCE呈减小趋势, 而LPSP呈增加趋势。 3) 组件容量设计良好:此时LPSP满足要求, 且LCE也不高, 系统经济型和供电可靠性佳。 3 路径选择与信息素更新 本文所研究的“风-光”互补系统组件容量优化问题是一个背包问题, 该问题的实质即是从一个由多个风机、光伏组件和蓄电池构成的集合中, 选取其中一部分组件构成子集, 使得该子集在满足一定LPSP的约束条件下, 系统LCE最低。基于此, 本文提出了一种基于有向图思想的“最大-最小”蚂蚁系统 (GBMMAS) 算法, 在满足一定LPSP的前提下, 对系统LCE进行优化: 目标函数: 约束条件: 解限制条件: 式中,LPSP*为LPSP给定值;NPV_p为光伏组件并联数量;NWT为风机数量;Nbat_p为蓄电池组并联数量。 下面介绍将有向图思想应用于优化本文所研究系统的原理:将系统在满足LPSP条件下最小LCE所对应的组件容量的求解视为蚁群在巢穴和食物之间觅食最短路径的选择。将系统各组件作为求解路径中的节点, 组件数量大小对应于蚁群在觅食中的路径长度, 这样即可将对此问题的求解转化为TSP问题的求解。由此可构建有向图: 式中,N为结点的数量;A为路径的数量。 令R为在有向图G中满足下列条件的所有路径r的集合: 1) 所有蚂蚁均从起始节点0开始移动, 即从同一起始点进行“路径”的构建; 2) 在每条“路径”中, 各节点只能出现一次。 由上述条件对本文中“路径”上节点设置如下: {节点0 节点1 节点2 节点3}= {起始点 光伏阵列 风机 蓄电池} 基于上述思想, 本文中GBMMAS算法的流程如下 (参见图2) 。 1) 初始化参数:蚂蚁数量m=40, 最大迭代次数Ncmax=100, 迭代计数器n=0, 信息量τij(0)=τmaxτij(0)=τmax、