基于人工蜂群算法优化孤岛式混合能源系统配置的方法与流程

本发明属于混合能源系统领域，具体地说，涉及一种基于人工蜂群算法优化孤岛式混合能源系统配置的方法。

背景技术：

低成本、低排放、高效能地为偏远地区或移动电力平台供电是微电网系统的一个重要概念。在偏远地区或移动电力平台负载需要柴油机发电才能满足其电力功率的需求。柴油机发电机理是由石油产生电能的，这种机理是以消耗昂贵的燃料和增加污染物排放量为代价的。为了尽量改善空气恶化情况，独立于电网的集成多种绿色能源和柴油机的孤岛式混合能源供电系统得到广泛的应用。在混合能源系统中，不同形式的绿色能源如太阳能、风能、电池储能将和柴油机一起为负载供电。由于太阳能和风能的间歇性和负载的波动性，因此混合能源系统不仅应具有在任何时刻满足负载对能源的需求外，还应保证在紧急情况下具有充足的储能。优化的系统配置和能源管理策略可以保证这种特殊的应用。现有技术提出了很多关于孤岛式混合能源系统的优化配置的方法。例如，文献“Belfkira R,Zhang L,Barakat G.Optimal sizing study of hybrid wind/PV/diesel power generation unit[J].Solar Energy,2011,85(1):100-110”采用了一种确定性算法来确定出最小成本代价的最佳光伏、风机和柴油机的数量和类型，但其准确性过分依赖于所谓的关键点(即Dakar位置)；文献“Rodolfo D L,Jose L B,Jose M Y.Multi-objective optimization minimizing cost and life cycle emissions of stand-alone PV-wind-diesel systems with batteries storage.Applied Energy,2011,88(11):4033-4041”采用多目标进化优化机理来优化含有电池储能的光伏/风机/柴油机混合系统的配置，但其优化过程复杂，计算量大；文献“Akbar M,Alieza A.Optimal sizing of a PV/wind/diesel system with battery storage for electrifiation to an off-grid remote region:A case study of Rafsanjan[J].Sustainable Energy Technologies and Assessments,2014,7:147-155”提出了一类基于离散优化算法的配置方法，但其稳定性和鲁棒性差。因此，虽诸多此类优化配置方法被提出，但能有效地优化基于柴油机的孤岛式混合能源系统配置却很少。

技术实现要素：

本发明旨在提供一种基于人工蜂群算法优化孤岛式混合能源系统配置的方法，以解决上述现有技术中存在的问题。为此，本发明采用的具体技术方案如下：

本发明提供一种基于人工蜂群算法优化孤岛式混合能源系统配置的方法，其中，所述方法包括以下步骤：

S1、构建孤岛式混合能源系统的数学模型和优化配置的目标函数，所述孤岛式混合能源系统由风机、太阳能板、电池和柴油机组成，将所述孤岛式混合能源系统优化配置的目标函数C_T定义为C_T＝C_C+C_M+C_F，其中，C_T为系统的年使用成本，C_C、C_M和C_F分别为年投入费用、年维护费用和年燃料消耗成本，其中，所述年投入费用其中i为设备的年折旧率，n_WT、n_PV、n_Batt和n_D别为风机、太阳能板、电池和柴油机的寿命，它们以年为单位，C_WT、C_PV、C_Batt分别为风机、太阳能板、电池的每个单元初始投入成本，C_D为柴油机的初始投入成本，N_WT、N_PV、N_Batt分别为风机、太阳能板、电池的单元数，所述年维护费用其中，为每个风机的年维护费用，为太阳能板单元的年维护费用，为柴油机的年维护费用，P_t,D为柴油机在t时刻的输出功率，所述柴油机的年燃料消耗费用其中，为柴油机在t时刻的时燃料消费成本；

S2、通过人工蜂群算法优化所述目标函数C_T来得到全局最优值，从而获得所述孤岛式混合能源系统最佳的设备配置类型和数量N_WT、N_PV和N_Batt。

进一步地，所述步骤S2的具体过程包括：

S21、初始化，设定最大迭代次数k_max和允许连续没有得到更优解的最大次数k_limit，给定蜂群规模N_F和待优化解的维数D，并根据取值限制范围利用混沌映射技术产生θ(l,d)的初始值，l＝1,2,…,N_F，d＝1,2,…,D，其中，和分别表示电池充放电过程中电能储存量的上下限，取电池的额定最大容量，而DoD为最大放电深度，E_t,Batt为电池组在t时刻的电能储存量，E_t,Batt为电池组在t时刻的电能储存量；

S22、优化迭代阶段，所述优化迭代阶段包括：

S221、工蜂(EB)优化阶段，首先在[1D]之间随机产生d，然后由公式θ_EB(l,d)＝θ(l,d)+φ_ld[θ(l,d)-θ(r₁,d)]更新θ_EB(l,d)，对θ_EB(l,d)元素逐个进行取离它最近的大整数运算，最后将它们代入所述目标函数C_T计算得到θ_EB(l)的目标函数F_EB(l)，如果F_EB(l)<F(l),则将θ_EB(l)的元素赋值予θ(l),置k_count(l)为0，否则，将k_count(l)赋值为k_count(l)+1，其中，φ_ld为[-11]之间的随机数，r₁为[1N_F]之间的随机整数，且r₁≠l；

S222、从θ中选取至目前为止最优的可能解θ_best，通过公式l＝1,2,…,N_F计算p_l；

S223、观察蜂(OB)优化阶段，首先由公式更新θ_OB(l,d)，对θ_OB(l,d)元素逐个进行取离它最近的大整数运算，然后计算θ_OB(l)的目标函数F_OB(l)，如果F_OB(l)<F(l),则将θ_OB(l)的元素赋值予θ(l),置k_count(l)为0，否则，将k_count(l)赋值为k_count(l)+1，其中，r₁和r₂为在[1N_F]之间随机产生与l相邻的整数序号，且r₁≠l和r₁≠r₂≠l，

S224、侦察蜂(SB)阶段，如果k_count(l)≥k_limit，则由公式θ_SB(l,d)＝θ_best(d)+φ_ld[θ(l,d)-θ(r₂,d)]更新θ_SB(l)后，再对θ_SB(l,d)元素逐个进行取离它最近的大整数运算，最后计算θ_SB(l)的目标函数F_SB(l)，如果F_SB(l)<F(l),则将θ_SB(l)的元素赋值予θ(l)，并将k_count(l)置为0；

S225、如果达到预设的收敛条件，则跳至步骤S23，否则更新迭代次数k＝k+1，跳至步骤S221；

S23、从θ中选取全局最优的θ_best，即它的元素为最优系统配置N_WT、N_PV和N_Batt。

进一步地，所述柴油机在t时刻的时燃料消费成本通过公式计算，其中P_F为燃料的单价，F_t,D为柴油机的燃料消耗量。

进一步地，所述的柴油机的燃料消耗量F_t,D通过公式F_t,D＝B_DP_N+A_DP_t,D计算，其中，P_N为柴油机的额定输出功率，P_t,D为柴油机在t时刻的输出功率，F_t,D的单位为l/h，A_D＝0.246(l/kWh)，B_D＝0.0845(l/kWh)。

进一步地，所述的电池组在t时刻的电能储存量E_t,Batt根据该时刻的光伏和风能的电能总和与负载需求的大小关系来计算，如果t时刻的光伏系统和风机的输出电能高于负载的需求，则电池组进行充电，此时电池组的储能量由公式计算得到；反之，电池组进行充电，此时电池组的储能量由公式计算得到，其中，E_t,Batt和E_t-1,Batt分别为电池组在t时刻和t-1时刻的储能量，E_t,PV和E_t,WT分别为光伏子系统和风机在t时刻的输出电能，E_t,L为负载需求量，η_Inv和η_Batt分别为逆变器转换率和电池组充电效率。

本发明采用上述技术方案，具有的有益效果是，由于人工蜂群算法比差分进化、遗传算法和粒子群算法等群体优化算法具有更好的优化机理和收敛性能、更优的稳定性和鲁棒性。因此对计算机开销要求较低，计算速度更快，进而能够快速有效地得到孤岛式混合能源系统配置最佳的设备数量和类型，具有很好的实用性，适于推广至其它形式混合能源供电系统。

附图说明

图1示出了孤岛式光伏/风/储能电池/柴油机混合能源系统的示意图；

图2示出了本发明的人工蜂群算法的流程图；

图3示出了根据本发明的一个实例的负载用电量用电量示意图；

图4示出了根据本发明的一个实例的风速的示意图；

图5示出了根据本发明的一个实例的太阳辐射量的示意图；

图6a示出了根据本发明的一个实例的光伏/储能电池/柴油机混合能源系统中的柴油机为负载提供的功率的曲线图；

图6b示出了根据本发明的一个实例的光伏/储能电池/柴油机混合能源系统工作过程中储能电池容量的变化的曲线图；

图7a示出了根据本发明的一个实例的风机/储能电池/柴油机混合能源系统中的柴油机为负载提供的功率的曲线图；

图7b示出了根据本发明的一个实例的风机/储能电池/柴油机混合能源系统工作过程中储能电池容量的变化的曲线图；

图8a示出了根据本发明的一个实例的光伏/风机/储能电池/柴油机混合能源系统中的柴油机为负载提供的功率的曲线图；

图8b示出了根据本发明的一个实例的光伏/风机/储能电池/柴油机混合能源系统工作过程中储能电池容量的变化的曲线图。

具体实施方式

为进一步说明各实施例，本发明提供有附图。这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。图中的组件并未按比例绘制，而类似的组件符号通常用来表示类似的组件。

现结合附图和具体实施方式对本发明进一步说明。参照图1，描述孤岛式光伏/风机/储能电池/柴油机混合能源系统结构，其中AC和DC分别表示交流(alternating current)和直流(direct current)。系统包含了太阳能和风能可再生能源发电机，它们也是主供电能源；而柴油机为后备能源，电池组用于存储过剩的电能。该混合能源系统工作原理：当主供电能源的功率高于负载需求的功率时，则由光伏和风机共同供电，并且根据情况为电池组充电；当主供电能源的功率低于负载需求的功率时，则启动柴油机辅助供电。下面分别对光伏发电子系统、风机系统、电池组储能系统和柴油机的数学模型进行详细说明。

1.光伏发电子系统

设一个光伏发电单元在时刻t受太阳辐射激励下产生的功率为p_t,PV，它可由式(1)计算得到。

p_t,PV＝I_t×A×η_PV (1)

式(1)中，I_t为t时刻的太阳辐射量，A为太阳能板面积，η_PV太阳能板电能转换率。记光伏发电单元数为N_PV，则光伏发电系统在t时刻产生的电能功率为P_t,PV＝N_PV×p_t,PV。

2.风机系统

对于风机，如果风速高于输入截止速度，它就启动开始产生电能；当风速达到额定速度时，风机将输出一个恒定的功率；当风速高于输出截止速度，出于保护风机的目的，风机将停止工作。一个风机发电单元在t时刻的输出功率p_t,WT的计算可由式(2)描述。

式(2)中，v_{cut_in}和v_{cut_out}分别为风机的输入截止速度和输出截止速度；v_t为t时刻的风速，v_r为风机的额定风速，P_r为风机的额定输出功率。记风机发电单元数为N_WT，则风机发电子系统在t时刻产生的电能功率为P_t,WT＝N_WT×p_t,WT。

3.电池组储能系统

由于太阳辐射量和风速的间歇性，那么t时刻电池组的充电状态取决于该时刻的光伏和风能的电能总和。t时刻电池组在充放电过程电能储存量计算如下：

如果t时刻的光伏系统和风机的输出电能高于负载的需求时，电池组进行充电，此时电池组的储能量由式(3)计算得到。

式(3)中，E_t,Batt和E_t-1,Batt分别为电池组在t时刻和t-1时刻的储能量；E_t,PV和E_t,WT分别为光伏子系统和风机在t时刻的输出电能，而E_t,L为负载需求量；η_Inv和η_Batt分别为逆变器转换率和电池组充电效率。

如果t时刻的光伏系统和风机的输出电能低于负载的需求时，电池组进行充电，此时电池组的储能量由式(4)计算得到。

4.柴油机

柴油机主要在光伏系统、风机和电池组能量不足时，作为后备能源为负载提供电能，以保证负载供电的可持续性。柴油机的燃料消耗量F_t,D计算表达式为：

F_t,D＝B_DP_N+A_DP_t,D (5)

式(5)中，P_N为柴油机的额定输出功率，P_t,D为柴油机在t时刻的输出功率；F_t,D的单位为l/h，A_D＝0.246(l/kWh)，B_D＝0.0845(l/kWh)。柴油机每小时的燃料消费成本由式(6)得到。

式(6)中，为柴油机在t时刻的时燃料消费成本，P_F为燃料的单价。

参照图2，描述利用人工蜂群算法优化能源系统配置的方法。首先，构建孤岛式混合能源系统的优化配置的目标函数C_T，C_T定义为式(7)

C_T＝C_C+C_M+C_F (7)

式(7)中，C_T为系统的年使用成本，C_C、C_M和C_F分别为年投入费用、年维护费用和年燃料消耗成本。其中，

式(8)中，i为设备的年折旧率；n_WT、n_PV、n_Batt和n_D分别为风机、太阳能板、电池和柴油机的寿命，它们以年为单位；C_l(l＝WT,PV,Batt)为设备的每个单元初始投入成本，C_D为柴油机的初始投入成本。

式(9)中，为每个风机的年维护费用，为太阳能板单元的年维护费用；为柴油机的年维护费用，

柴油机的年燃料消耗费用C_F由式(10)得到。

在混合能源系统，目标函数C_T约束条件为式(11)-式(14)。

式(14)中的和分别反映了电池充放电过程中电能储存量的上下限。通常，取电池的额定最大容量，而DoD为最大放电深度。

其次，通过人工蜂群算法优化所述目标函数C_T来得到全局最优值，从而获得所述孤岛式混合能源系统最佳的设备配置类型和数量N_WT、N_PV和N_Batt.。人工蜂群算法(artificial bee colony,ABC)是由土耳其学者KARABOGA D.于2005年提出模拟蜜蜂寻觅花蜜过程的一种群体智能优化算法。ABC是模拟蜂群分工寻找花蜜的机理来解决多维优化问题的群集智能算法，如果将待优化的参数视为花蜜源的话，那么蜜蜂寻找一次新的花蜜的过程就相当于对于待求解的参数完成一次优化迭代。模拟蜂群寻找花蜜来进行一次参数的优化迭代需要完成三个阶段：工蜂(employ bee,EB)阶段，根据上次优化过程得到的解的邻近中寻找下一个新的解；观察蜂(onlooker bee,OB)阶段，在工蜂阶段产生的解的基础上产生新解，并进行优选；侦察蜂(scout bee,SB)阶段，放弃连续几次迭代过程中没有得到更新的解，并产生一个新解。

如果将人工蜂群算法中待优化的解记为θ，则θ＝[N_WT,N_PV,N_Batt]，考虑到实际情况下系统能量的裕量，迭代过程中需要对θ的元素逐个进行取离它最近的大整数运算。利用人工蜂群算法优化孤岛式柴油机混合能源系统配置方法的实现步骤如下：

步骤I.初始化

设定最大迭代次数k_max和允许连续没有得到更优解的最大次数k_limit；给定蜂群规模N_F和待优化解的维数D，并根据式(11)-式(14)的取值限制范围，利用文献“王荣杰,詹宜巨,周海峰.人工蜂群优化算法在复数盲源分离中的应用[J].中国科学:信息科学,2014,44(2):199-220”的混沌映射技术产生θ(l,d)的初始值，l＝1,2,…,N_F，d＝1,2,…,D。

步骤II.优化迭代阶段

II.1EB优化阶段

首先在[1D]之间随机产生d，然后由式(15)更新θ_EB(l,d)，对θ_EB(l,d)元素逐个进行取离它最近的大整数运算，最后将它们代入式(7)计算得到θ_EB(l)的目标函数F_EB(l)。如果F_EB(l)<F(l),则将θ_EB(l)的元素赋值予θ(l),置k_count(l)为0；否则，将k_count(l)赋值为k_count(l)+1。

θ_EB(l,d)＝θ(l,d)+φ_ld[θ(l,d)-θ(r₁,d)] (15)

式(15)中，φ_ld为[-11]之间的随机数，r₁为[1N_F]之间的随机整数，且r₁≠l。

II.2从θ中选取至目前为止最优的可能解θ_best；由式(16)计算p_l。

II.3OB优化阶段

首先由式(17)更新θ_OB(l,d)，对θ_OB(l,d)元素逐个进行取离它最近的大整数运算，然后计算θ_OB(l)的目标函数F_OB(l)。如果F_OB(l)<F(l),则将θ_OB(l)的元素赋值予θ(l),置k_count(l)为0；否则，将k_count(l)赋值为k_count(l)+1。

式(17)中，r₁和r₂为在[1N_F]之间随机产生与l相邻的整数序号，且r₁≠l和r₁≠r₂≠l；

II.4SB优化阶段

如果k_count(l)≥k_limit，则由式(18)更新θ_SB(l)后，再对θ_SB(l,d)元素逐个进行取离它最近的大整数运算，最后计算θ_SB(l)的目标函数F_SB(l)。如果F_SB(l)<F(l),则将θ_SB(l)的元素赋值予θ(l),置k_count(l)为0。

θ_SB(l,d)＝θ_best(d)+φ_ld[θ(l,d)-θ(r₂,d)] (18)

II.5如果达到预设的收敛条件，则跳至步骤III；否则更新迭代次数k＝k+1，跳至步骤II.1。

步骤III.从θ中选取全局最优的θ_best，即它的元素为最优系统配置N_WT,N_PV和N_Batt。

实例验证

为了验证上述孤岛式柴油机混合能源系统优化配置方法的有效性和合理性，本节分别对美国爱达荷州某边沿地区的光伏/储能电池/柴油机、风机/储能电池/柴油机和光伏/风机/储能电池/柴油机三种模式的混合能源系统进行优化配置，这里选择美国爱达荷州是基于数据可获得性的原因，该地区的2014年1月～2014年12月，负载用电量如图3所示，气象站采集到的风速和太阳辐射量分别如图4和图5所示，数据源自文献“Pacific Northwest Cooperative Agricultural Weather Network.AgriMet Historical Dayfile Data Access,Deer Lodge,MT(DRLM)[OL].http://www.usbr.gov/pn/agrim-et/webaghrread.html”。在仿真实验中，光伏发电系统的相关参数如式(19)所示，风机发电系统的相关参数如式(20)所示，储能电池组相关参数如式(21)所示，柴油机相关参数如式(22)所示。此外，逆变器转换率η_Inv为95％，所有设备的年折旧率i＝5％。

利用本文的方法对三种模式进行优化配置的结果如表1所示。不同混合模式的能源系统的污染物排放量和治理费用如表2所示，它们的计算依据具体可参考文献“Faisal A,Heikki N.System modelling and online optimal management of MicroGrid using mesh adaptive direct search[J].International Journal of Electrical Power&Energy Systems,2010,32(5):98-407”。

表1不同模式的混合能源系统优化配置结果比较

说明：表1中的“--”表示无此项

表2不同模式的混合能源系统污染物排放比较

从表1和表2的比较结果可知，利用本文的方法能有效地为不同孤岛式混合能源系统提供优化配置方案，即为混合能源系统配置最佳的设备数量和类型。此外，无论在设备成本费用，还是环境污染物排放量，配置后的混合系统都优于柴油机独立供电的模式。

为了更好地分析不同混合能源模式系统的性能，图6、图7和图8描述了柴油机为负载提供的输出功率和储能电池容量的曲线。这里为了获得更好的显示效果，我们计算了它们相应每天的平均值。在光伏/储能电池/柴油机混合模式的能源系统中，柴油机为负载提供的功率如图6(a)所示，工作过程中储能电池容量的变化如图6(b)所示。在风机/储能电池/柴油机混合模式的能源系统中，柴油机为负载提供的功率如图7(a)所示，工作过程中储能电池容量的变化如图7(b)所示。在光伏/风机/储能电池/柴油机混合模式的能源系统中，柴油机为负载提供的功率如图8(a)所示，工作过程中储能电池容量的变化如图8(b)所示。比较图6、图7和图8可得，风机/储能电池/柴油机混合能源系统和光伏/风机/储能电池/柴油机混合能源系统的工作性能很接近，并且都优于光伏/储能电池/柴油机混合能源系统，其实表1和表2中的比较结果进一步说明这个结论。

通过上述实例验证，可以验证本文方法的有效性，并且由于人工蜂群算法比差分进化、遗传算法和粒子群算法等群体优化算法具有更好的优化机理和收敛性能，因此对计算机开销要求较低，计算速度更快，进而能够快速有效地得到孤岛式混合能源系统配置最佳的设备数量和类型，具有很好的实用性，适于推广至其它形式混合能源供电系统。

尽管结合优选实施方案具体展示和介绍了本发明，但所属领域的技术人员应该明白，在不脱离所附权利要求书所限定的本发明的精神和范围内，在形式上和细节上可以对本发明做出各种变化，均为本发明的保护范围。