混合粒子群算法在微电网经济优化运行的应用
1 引言(Introduction)
随着新能源技术的不断发展,如何妥善处理不同新能源设备的组合经济运行,实现经济最优就成为了新的研究课题.作为新能源的主要载体,微电网得到了广泛的发展和应用,它既可作为独立单元存在,也可与主电网相连来满足更大范围的负荷需求[1].在微电网中,负荷需求、风机(wind turbine,WT)和光伏阵列(photovoltaic,PV)的功率具有间歇性和不确定性,使实际发电量与需求产生了明显的不匹配现象.而目前的预测技术远不能消除其误差以保证微电网的可靠性[2].而储能电池为微电网提供了在考虑经济环境下柔性运行的条件,使微电网的操作具有了足够的灵活性并有效降低其运行成本[3].目前,一些数学方法被提出并运用到微电网经济优化运行中,有随机动态规划[4]、线性规划[5]、随机线性规划[6]、混合整数规划[7]、和混合整数线性规划[8]等.而在微电网动态经济优化中,由于组合了不同种类的微源,使其模型往往具有多样性、多约束和不连续的特点[9],使这些方法需要建立复杂的模型.
随着智能算法的提出,其在求解微电网经济优化问题上取得了良好的应用.然而这些算法往往存在早熟收敛并陷入局部最优,致使其很难以求取最优解,故一些学者通过改进或混合的方式对来避免这些问题.Li等提出改进重力搜索算法来求解多目标微电网运行问题,通过引入基于反向学习机制、精英策略和全局记忆性,建立了有效的加速机制,避免了算法的早熟收敛[10].Gabbar等采用混合粒子群—–模式搜索的方法来从经济效率,稳定性等角度来优化微电网的运行,该方法更好地平衡了粒子群算法的全局搜索与局部搜索能力[11].Sanjari等提出超球面搜索算法来从经济的角度优化一个包含热电联产机组的楼宇微电网,并有效地求解微电网经济优化运行问题[12].文献[13]考虑了电流约束,提出一种带有差分进化的混合和声算法来求解微电网经济运行,该算法建立了动态的比例因子和交叉概率,以及改进算法的变异操作.然而,以上文献均未考虑外界环境对微电网可靠运行的影响.
Mohan等考虑到可再生能源的不确定性对微电网可靠性的影响,采用随机权重平衡粒子群算法(stochastic weight trade-off particle swarm optimization,SWT--PSO)求解微电网经济优化问题[14].该算法利用随机权重平衡机制来平衡粒子的全局搜索与局部探索能力.然而,由于粒子的速度与惯性权重的随机性,导致不同运行次数下优化结果差异过大,寻优过程缓慢的问题.本文在SWT--PSO的基础上通过混合免疫机制、次梯度方法和非线性调节机制,提出一种混和粒子群算法(hybrid particle swarm optimization,HPSO).以经济运行最优为目标建立的微电网动态优化模型,并充分考虑了由不可控微源带来的不确定性的因素,通过配置可控微源的旋转备用功率以保证微电网运行的可靠性.将HPSO运用到该微电网模型中,通过对孤岛和并网两种运行方式分别进行优化,并与典型的优化算法和单步改进变体算法进行比较,验证了该算法对求解微电网经济优化运行的有效性.
2 问题描述(Question description)
为描述微电网经济运行优化过程,本文建立计及可再生能源、储能电池和可控微源的微电网数学模型,文中所用到的微电网模型如图1所示.
图1 微电网模型Fig.1 The microgrid model
2.1 微电网模型(Microgrid models)
风机和光伏阵列的输出功率往往随气候的波动而改变,故很难准确地知悉当前时刻的实际功率,故这两种微源属于不可控微源,在文中不进行调度.
[8]HONG M,YU X,YU N P,et al.An energy scheduling algorithm supporting power quality management in commercial building microgrids[J].IEEE Transactions on Smart Grid,2016,7(2):1044–1056.
其中PBESc和PBESd分别为BES的充放电功率.
微型燃气轮机(micro turbine,MT)可以减少传统热力机组带来环境污染的问题,多样化的燃料使其具有更大优势.其模型和约束可以描述为[9,16]
其中:ηe表示MT的运行效率,在文中取80%;Cnl是燃气价格,取为0.7¥/m3.
柴油发电机(diesel generator,DG)是一种同步发电机,其具有升降负荷快的优点.为了维护微电网旋转备用容量,其燃料成本从经济角度考虑可以表示为一个二次型的形式[13]
其中a,b,c均为DG的成本参数.
2.2 目标函数(Objective functions)
孤岛运行方式是指微电网独立运行,不与主电网连通的运行方式,是微电网的重要特征[17].孤岛运行方式可以在主电网发生故障的情况下保证重要用户的电力需求.参与孤岛运行的元件有WT,PV,MT,DG和BES,其目标函数如下:
跨机器移动工序时,只要满足关键工序的跨机器移动条件式(2),则得到的新解即看作是一个改进解,接受新的解。当工序x和y之间的工序w可用空闲时间小于或等于pw时,即
式中:PBES表示BES充放电的总功率,这里PBES=PBESc+PBESd,Pu代表第u个不可控微源的出力的实际值,Pi表示第i个可控微源的功率,而Ct表示微电网运行的总费用.
并网运行方式是指将微电网与主电网通过PCC相连进行功率交换[18],通过市场规律来控制微电网运行.当微电网负荷需求大于发电能力时,从主电网中吸收电能并支付费用;反之,则售电给主电网获得收益.参与并网运行的元件有WT,PV,MT和DG,其目标函数和功率平衡约束如下:
式中PL为微电网与主电网的交换功率.
2.3 约束(Constrains)
1)功率平衡约束如下[19]:
其中PD表示微电网的负荷需求.
2)可控微源功率约束如下:
3)可控微源的爬坡约束如下:
其中和分别表示第i个可控微源缓降功率的上限和爬坡功率上限.
4)储能电池约束如下[9,16]:
其中:QBES(t)为t时刻下BES的总电量,QBES(f)和QBES(b)分别表示BES电量的终止值和起始值,ηBESc和ηBESd分别为BES的充放电效率,εBES为自放电功率,取εBES=0.25kW.
在上述过程中,如果列车ProSe服务器判定列车所在的位置周围没有可以进行D2D通信的合适列车,则通知请求列车;请求列车收到相关信息后停止发送发现请求,并在一段时间后再重新发起请求。考虑到ATS以及ProSe服务器可能因为故障而做出错误的判断,发起列车识别的列车在收到服务器发出的无可行车车通信链路的报告后,进入周期性的列车自组织发现过程,以保障行车安全;同时,出于对ATS的信任,设备自组织列车识别过程的周期可以设置的较长,以降低列车通信设备和无线网络负担。在列车D2D通信建立后,如果两列通信列车处于前后位置且当前运行线路一致,则后面的列车可以发起追踪请求,进行持续的通信和精细的追踪。
5)微电网与电网功率约束:
2.4 不确定条件下的旋转备用(The spinning reserve under uncertain conditions)
由于文中负荷需求与不可控能源的功率采用了预测功率,与实际功率存在误差,影响了系统的独立运行.因此引入自给概率(probability of self-sufficiency,PSS)的概念来衡量微电网在运行可靠性方面的能力.文献[20]中定义了负荷需求,WT和PV的功率误差可以看做相互独立的正态分布的随机变量,可分别表示为
取σD/PD=0.05,σWT/PWT=0.05和σPV/PPV=0.05.为简化模型,本文将WT与PV的功率误差合并为不可控能源的功率误差,由∆U∼N(µU,σ2U)表示.根据误差函数和参数定义了与概率功率平衡有关的约束:
经过代数变换,可得
在提出的微电网模型中,自给率的概念与式(14)中仍具有相同的意义,但其在本文表示了负荷需求的预测误差与备用功率之间的自治成功概率.简而言之,就是根据PSS和负荷需求的预测误差确定可控微源中所需要产生备用功率的多少.可控微源之间的储量配置是同步优化的.储备的约束如下式:
第三,通过教学互动拉近学生与教师之间、学生与学生之间的距离,促进了和谐平等的师生关系的构建,进一步活跃了课堂气氛,营造了高效的小学语文教学课堂。
3 混合粒子群算法(Hybrid particle swarm optimization)
3.1 随机权重平衡粒子群算法(Stochastic weight trade-off particle swarm optimization)
文献[21]采用一种基于随机权重平衡粒子群算法(stochastic weight trade-off particle swarm optimization,SWT--PSO)来解决微电网经济运行问题,其速度更新公式为
[4]AN L N,QUOC T T.Optimal energy management for grid connected microgrid by using dynamic programming method[C]//Proceedings of IEEE Power and Energy Society General Meeting.Denver:IEEE,2015:1–5.
其中:Pfrk和Pltg分别表示奇异的变异概率和稳定因子差异性概率,Pfrk=Pltg=0.05,学习因子和r4都为(0,1]中的随机数,pbest和gbest分别表示粒子的局部最优值和全局最优值,其他参数分别为
3.2 免疫机制(Immune mechanism)
随机权重平衡粒子群算法虽然可以通过奇异和稳定因子的变异概率来使粒子跳出局部最优值,然而由于这些变异是随机的,因而在有些迭代过程中难以得到最优解.本文引入免疫机制以克服该算法的问题.所有生物都具有免疫的能力,当外部的抗原发动攻击时,免疫细胞则会产生抗体去清除抗原.而抗原和抗体采用了互补的形状进行识别并结合在一起,这种相互结合的强度即为“亲和力”.而在免疫机制中,抗体和抗原分别代表当前的局部最优适应度和其他适应度的集合,二者的亲和力描述了局部最优适应度和其他适应度的相似程度.与抗原亲和力大且浓度小的抗体得以促进,反之得以抑制,因此保证了抗体的多样性.
当采用免疫机制对微电网进行经济优化问题时,每个抗体都代表在t时刻(t
其中:t(p)是抗原和抗体的结合强度,h(p)和v(p)分别表示抗原与抗体在平面中横纵坐标的距离,A(p)是抗原和抗体p之间的亲和力,位于0和1之间,当A(p)<0.1时,作者对抗体所对应的粒子进行变异操作,变异公式如下[22]:
3.3 次梯度方法(Sub-gradient method)
次梯度方法是一个常用的解决优化问题的方法.该方法利用梯度信息可以快速收敛到局部最优并且具有很强的开发能力,而这个方法需要对模型进行初步估计来得到解决方案[23].微电网优化运行问题是一个带有约束的优化问题,在采用次梯度方法进行优化时,可将函数转化为拉格朗日松弛变量:
以孤岛运行方式为例,其目标函数可以转化为一个凸函数形式:
同理,并网运行方式的目标函数也可转化为这样的形式.因此,本文采用次梯度方法将目标函数和拉格朗日乘子(λ∗,µ∗)引入到式(22)中来进行优化:
由快速傅里叶分析的结果,可以得出以下结论,经过不控整流环节,直流电压波动周期为0.01 s,周期缩短为整流前的一半,相应的频率增大为原来的二倍。此外,在串联级联模式下,整流后电压波形会出现毛刺,这种情况从图11可以非常直观的观察到。这种现象往往是由于网端正弦交流电半周期进行换向造成的,业界也俗称毛刺。由图11可以看出毛刺呈现为瞬时性,在开关切换的瞬间会有较大峰值。如果峰值较大,有可能对电路中的器件造成损害。
故本文采用由粒子的速度与当前局部最优解所决定的变步长次梯度的方法来更新粒子的位置:
其中:αi为粒子的步长大小,γi为粒子的当前梯度下降的方向,即为如果γi在迭代早期取得较小的值,则很容易较早地陷入局部最优,而如果γi在后期取较大的值,则降低了算法探索速度,因此本文采用粒子xi的速度vi来约束目标函数向量γi来平衡算法的探索与开发能力,则步长计算公式为
3.4 非线性调节方式(Nonlinear regulation method)
文献[21]提出了一种线性调节粒子速度的方式来提升粒子的探索能力.而在迭代过程前期需要较大的权重因子以保证粒子的全局搜索性能,迭代过程后期需要较小的权重因子保证粒子的收敛精度.线性调节的显然很难满足迭代过程对权重的要求.本文提出一种非线性的调节方式,具有更好的自适应性.该权重也利用了前几代粒子运动轨迹并进行有方向的变异操作,避免了SWT--PSO惯性权重中的无效变异,提升了算法的收敛精度.速度公式为
其中:εmax=0.9,εmin=0.4,r为区间(0,1]内的随机数,在本文中,β设为0.95,k为迭代次数.则其速度更新公式为
3.5 混合粒子群算法(Hybrid particle swarm optimization)
最后人们应该注意,从可控源地震学导出的模型最终应依据组成和岩性来解释。这种过程不仅涉及到岩芯样品的实验室测量(这是对深部地壳和地幔的限制),而且涉及不同地球物理测量结果的结合。Kozlovskaya等(2004)给出了一个结合方法的很好例子,其中用重力数据和P波及S波速度模型对广角反射/折射剖面的岩性进行约束。我们还远未基于不同地球物理数据集的联合反演构建起地壳模型,但当前的计算资源能够实现对满足所有测量,如重力、电磁和地震(如Roberts et al,2012)的合理模型空间进行统计选择。
图2 混和粒子群算法流程图Fig.2 The flowchart of hybrid particle swarm optimization
3.6 算法的实现(Implement of the algorithm)
本文采用HPSO来确定微电网的经济优化运行方案的流程如下:
Step 1 算法的初始化.在这一步骤中,需要输入可控微源和负荷需求的经济参数、功率约束、粒子的数目与维数和算法的最大迭代次数以及参数;
Step 2 初始化种群.根据不同微源的约束随机初始化算法中的粒子和维数,所有粒子都必须满足微源的实际功率约束,而算法前N−1维随机产生粒子的位置与速度,第N维是由式计算得出所有微源发电总和与负荷需求的差值,式(32)表示粒子在经过k次迭代后所代表的不同微源在不同时刻的状态:
Step 3 根据式(4)或式(5)计算在k次迭代后不同机组功率所对应的目标函数的解;
针对上述研究,本文采用一种混和粒子群算法有以下改进:1)采用免疫机制来区分粒子之间的关系,以维持粒子群始终较为均匀地分布在求解平面中,避免粒子陷入局部最优;2)引入次梯度方法加快粒子的收敛速度;3)采用非线性调节方式平衡粒子的自我认知和社会认知能力.图2为混合粒子群算法的流程图.
Step 4 找出当前最小的目标函数的解pbest,通过式(19)计算其他解与pbest的几何距离,并根据式(20)判断距离的大小,若距离小则根据式(21)执行变异操作;
Step 5 采用式(28)–(31)来更新粒子的速度vi;
Step 6 判断粒子的速度是否超出界限,若超出界限,则限制在最大速度;
Step 7 根据式(27)更新粒子的位置xi,即为第i个微源的功率;
Step 8 判断粒子的位置是否超出界限,若超出界限,则限制在微源的最大功率;
Step 9 判断所有微源功率之和是否等于负荷需求在约束范围内,根据不同微源的功率约束限制粒子位置,若小于负荷需求,在孤岛运行方式下范围之外的值由储能电池补足,若储能电池已达功率上限,则由其他微源在未达爬坡功率上限的情况下随机分配负荷;并网运行方式下范围之外的值由主电网补足,并重新计算当前功率分配下的目标函数;
Step 10 k=k+1,若k
Step 11 由全部的当前目标函数解pbest得出全局最下目标函数的解gbest,即为经济最优值.
4 测试函数(Benchmark functions)
为验证混合粒子群算法的寻优能力,本文采用4个测试函数来测试算法的性能,测试函数具体函数形式、维数、搜索范围和理论极值如表1所示.通过分别求取其最好值、最差值、平均值、标准差和迭代时间来验证算法的寻优性能.
表1 用于测试改进算法的基准函数Table 1 The benchmarks for testing the improved algorithms
函数名 函数 维数 搜索范围 理论极值10 [−100,100] 0 Rosenbrock f(x)=Sphere f(x)=n∑i=1 x2i i+1 10 [−600,600] 0 Schwefel 2.2 f(x)=[100(xi+1−x2i)2+(1−xi)2] 10 [−30,30] 0 Griewank f(x)= 1 n−1∑i=1 n∑n∏400(xi)2−cosxi√i=1i=1 n∑|xi|+n∏|xi| 10 [−10,10] 0 i=1i=1
实验中选取粒子群算法(PSO)、遗传算法(genetic algorithm,GA)[24]、重力搜索算法(gravitational search algorithm,GSA)[25]、随机权重平衡粒子群算法与单步改进的变体算法,分别是引入免疫机制的IM--SWT--PSO、加入次梯度方法的G--SWT--PSO和非线性调节的I--SWT--PSO进行比较.为了体现公平性,采用随机初始化粒子的速度与位置,维数为10,粒子最大步长为5,种群规模均设为100,运行次数设为10,每次运行的最大迭代次数均为1000的条件下分别运行.不同算法在测试函数中的平均迭代曲线如图3–6所示.不同算法在不同测试函数下仿真结果如表2所示.
其中备用功率在任何时刻都应小于爬坡功率且不超过备用功率的上限,式(15)保证了实际功率与备用功率之和都应小于微源的功率上限.所有微源的备用功率之和应满足式(16)所决定的备用功率需求.
图3 Sphere函数Fig.3 Sphere function
图4 Rosenbrock函数Fig.4 Rosenbrock function
图5 Griewank函数Fig.5 Griewank function
图6 Schfewel 2.2函数Fig.6 Schfewel 2.2 function
表2 函数性能比较结果Table 2 The comparison results of the benchmark performance
函数名 算 法 最好值 最差值 平均值 标准差 迭代时间/s PSO 3.69E−35 8.70E−32 1.47E−32 2.69E−32 3.71 GA 1.66E−35 4.93E−31 5.33E−32 1.10E−31 10.35 GSA 4.51E−35 2.54E−17 5.56E−19 8.56E−19 3.82 SWT--PSO 6.51E−54 1.10E−51 1.56E−52 3.46E−52 4.92 Sphere IM--SWT--PSO 1.40E−53 4.63E−53 2.31E−53 2.20E−54 8.32 I--SWT--PSO 3.06E−91 3.51E−90 3.60E−91 1.11E−91 5.80 G--SWT--PSO 2.82E−46 8.10E−46 3.95E−46 9.86E−47 4.68 HPSO 5.62E−201 3.15E−200 1.56E−200 3.14E−201 9.88 PSO 5.96E−01 4.03E−00 3.23E−00 9.92E−01 3.72 GA 1.51E−00 6.82E−00 3.47E−00 1.13E−00 10.52 GSA 1.45E−00 10.53E−00 5.39E−00 5.51E−00 3.51 SWT--PSO 1.01E−00 72.56E−00 10.22E−00 21.97E−00 5.11 Rosenbrock IM--SWT--PSO 3.50E−02 8.82E−02 5.42E−02 8.66E−03 8.50 I--SWT--PSO 1.18E−00 2.23E−00 1.46E−00 8.63E−01 6.79 G--SWT--PSO 2.23E−02 3.84E−02 2.94E−02 5.41E−03 4.68 HPSO 1.80E−04 7.76E−04 4.84E−04 1.24E−04 9.23 PSO 7.63E−02 3.20E−01 1.48E−01 8.34E−02 10.51 GA 1.48E−02 3.93E−01 1.04E−01 8.26E−02 30.51 GSA 0 0 0 0 10.32 SWT--PSO 1.13E−01 5.26E−01 2.63E−01 1.32E−01 12.69 Griewank IM--SWT--PSO 0 1.20E−02 9.36E−03 9.63E−04 16.00 I--SWT--PSO 9.34E−07 2.47E−06 1.20E−06 3.02E−07 12.79 G--SWT--PSO 5.53E−04 1.21E−02 3.39E−03 5.20E−03 12.23 HPSO 0 0 0 0 19.48 PSO 1.00E−18 1.89E−17 8.00E−18 6.67E−18 9.17 GA 4.92E−19 2.28E−17 5.69E−18 5.59E−18 29.14 GSA 2.21E−11 8.41E−09 1.82E−09 2.51E−09 8.23 SWT--PSO 6.22E−43 3.89E−21 4.76E−22 1.23E−21 10.96 Schfewel 2.2 IM--SWT--PSO 3.13E−12 7.61E−12 5.98E−12 1.44E−12 15.72 I--SWT--PSO 5.18E−63 1.11E−61 1.11E−62 9.50E−63 12.18 G--SWT--PSO 4.30E−26 2.84E−25 7.84E−26 2.22E−26 10.19 HPSO 1.25E−88 8.13E−88 3.77E−88 2.06E−89 17.23
表3 Wilcoxon符号秩和检验结果Table 3 Wilcoxon signed rank test results
算法 PSO GA GSA SWT--PSO IM--SWT--PSO I--SWT--PSO G--SWT--PSO p值 0.0376 0.0358 0.0345 0.0791 0.2023 0.4027 0.4050
在统计学领域中,非参数检验可以取得更为可靠的统计结果.本文采用了目前常用的Wilcoxon符号秩和检验的方法来分析两配对样本的总体分布是否存在差异.表3采用Wilcoxon符号秩和检验方法分别检验4个测试函数进得出的p值平均计算结果.HPSO与PSO以及其他算法存在有明显差异,而相对SWT--PSO算法及其单步改进变体算法则有明显提升.
5 仿真结果(Simulation results)
在微电网的经济运行优化中,由于WT和PV为不可控微源,因此就需要预测其功率,再对MT,DG和BES进行调度并不断优化输出功率以达到经济最优.一天的WT,PV的功率、负荷需求和与分时电价如图7–10所示.各微源参数如表4所示[13].
图7 风电系统功率曲线Fig.7 The power curve of wind turbine
图8 光伏阵列功率曲线Fig.8 The power curve of photovoltaic
图9 负荷需求曲线Fig.9 The curve of load demand
图10 电力市场价格机制Fig.10 The tariff of electricity market
表4 微源运行费用数据Table 4 Cost data for power resources
微源 功率下限/功率上限/ 爬坡上限/ 缓降上限/ 发电 操作类型 kW kW (kW·15 min−1)(kW·15 min−1) 费用/¥ 费用/¥ a/(¥·kW−2)b/(¥·kW−1)c/¥WT0130— —0.600.15— — —PV0100— —1.500.08— — —MT15 65 3 −5 —0.11 — — —MT25 65 3 −5 —0.11 — — —DG1 0 200 5 −5 — 0.08 0.00084 0.0192 5.62 DG2 0 250 8 −8 — 0.10 0.00085 0.0212 6.87 BES−150150 — — 1.700.02 — — —
本文使微电网分别在孤岛和并网两种运行方式运行.在并网运行方式下采用了分时电价的策略.此外,为验证HPSO对求解微电网经济优化运行问题的有效性和先进性,本文将该算法与PSO,GA,GSA,SWT--PSO及单步改进变体算法,有引入免疫机制IM--SWT--PSO,加入次梯度方法的G--SWT--PSO和改进非线性调节方式的I--SWT--PSO就两种运行方式分别进行求解对比,并对各微源的实时功率做出说明.仿真实验以15 min为周期进行调度.
膨润土开发利用水平MEL值中具有较高数值项的是膨润土综合利用率,对膨润土资源而言,按对所含主矿物蒙脱石外的其他组分分别进行开发利用的综合利用路线,因膨润土原矿中所含蒙脱石≥30%外的其他矿物合计约最大占到70%,对综合利用70%组分的作用显著高于30%的组分,因而其膨润土综合利用率权重值应高于采矿回采率、选矿回收率权重值,其实际权重值=100-采矿回采率权重值-选矿回收率权重值,我国目前膨润土加工企业实际综合利用率一般也≥90%。根据2.2.1、2.2.2节讨论,膨润土综合利用率权重值为35~45,不同情况综合利用率权重值取值如表1。
5.1 孤岛运行方式(Island operation mode)
图11描述了采用HPSO在孤岛运行方式下对不同微源个时段的调度结果.在1∼9时和19∼24时,可再生能源的过剩导致BES将过剩的能源储存起来,MT和DG的作用较小.在9∼19时,随着负荷需求的迅速增长,BES开始释放电能,DG开始升负荷,MT调节负荷以满足功率约束.
图11 孤岛方式下微源运行优化结果Fig.11 The result of power resources in island mode
图13为孤岛运行方式下采用8种算法的平均值迭代曲线,从中可以看出,采用HPSO的收敛精度最佳,收敛速度比GA和IM--SWT--PSO略慢.而由于SWT--PSO中速度的随机性较大,致使其在不同的迭代中收敛精度存在较大的差异,致使在一些迭代过程中不能得到较为精确的解,G--SWT--PSO收敛速度最快,但也最早陷入局部最优.
随着我国经济的快速发展,城市化和工业化程度显著提高,县域经济蓬勃发展,人口密度不断增加,人均生活水平飞速提高,城镇污水厂用水量和排水量都在大量增加 [1]。据有关资料统计:在全国22000多个县乡、城镇中,直接污水排放量约占全国总排污量的50%以上,这一现象的主要原因是该地区用于污水处理的基础设施相当不健全[2]。近年来相关地区对原有污水处理厂进行改扩建或者新建污水厂,这些污水厂工业污水都占有一定占比,污水可生化性较低,氮、磷比较高,在污水厂全面达标GB 18918-2002一级A排放标准存在一定压力[3,4]。
图12 并网方式下微源运行优化结果Fig.12 The result of power resources in grid-connected mode
图13 孤岛方式下的迭代曲线Fig.13 The convergence of island mode
5.2 并网运行方式(Grid-connected operation mode)
图12描述了采用HPSO在并网运行方式下对不同微源各时段的调度结果.由于与主电网连接,故可在微电网中维持更稳定的功率平衡关系.在1∼9时和19∼24时,可再生能源的过剩和DG的低成本导致微电网将大量电能输送给主电网.在9∼19时,随着需求负荷增长,微电网发电量无法满足需求,则从主电网吸收电能,并通过MT调节以满足功率约束.
图14为并网运行方式下采用8种算法的平均值迭代曲线,由于微电网可以售点给主电网获取收益,故可获得更高的收益.在图中,HPSO的收敛速度与PSO和SWT--PSO相同,但比GA,G--SWT--PSO和IM--SWT--PSO慢,但其所得到解是经济最优的.
图14 不同PSS目标下运行费用Fig.15 The cost of operations under different PSS targets
表5–6分别描述了采用8种算法在两种运行方式下的优化结果和运行时间,可以看出采用HPSO在两种云行方式下得到的花费都是最少的.图15描述了两种运行方式下随着微电网可靠性降低,其运行成本也在降低.为了保证微电网的安全运行,故必须付出更多的费用以保证微电网的安全运行.
表5 8种算法在两种方式下的花费(单位:元)Table 5 Operation cost of two operation mode in eight algorithms(Units:¥)
PSO GA GSA SWT--PSO IM--SWT--PSO I--SWT--PSO G--SWT--PSO HPSO孤岛方式 5854.91 5790.57 5794.31 5879.78 5789.17 5806.68 5932.57 5758.07并网方式 3523.34 3510.83 3487.42 3471.42 3459.11 3477.77 3492.28 3437.65
表6 8种算法在两种方式下的运算时间(单位:分)Table 6 Operation time of two operation mode in eight algorithms(Units:min)
PSO GA GSASWT--PSOIM--SWT--PSOI--SWT--PSOG--SWT--PSOHPSO孤岛方式 3.48 10.50 4.15 4.20 5.33 4.25 4.17 5.48并网方式 3.92 11.14 4.43 4.68 5.89 4.82 4.48 6.01
图15 不同PSS目标下运行费用Fig.15 The cost of operations under different PSS targets
6 总结(Conclusions)
本文提出一种混合粒子群算法并成功将其应用到求解微电网经济优化运行问题中去.该算法在SWT--PSO的基础上,通过引入免疫机制、次梯度方法和非线性调节方式,大大提升了算法在复杂环境下寻优的能力,并在测试函数中得到了验证.最后通过建立的模型对微电网孤岛和并网两种不同的运行方式进行仿真,在保证微电网可靠运行的条件下,分别采用PSO,GA,GSA,SWT--PSO及单步变体改进算法进行对比,验证了该算法在求解微电网经济优化运行的可行性和先进性.
参考文献(References):
在33门设计类课程中,开设了三门计算机辅助设计实验课程,分别是CAD、Photoshop和SketchUp,都以独立设课的形式开课,因Lumion软件开发时间较短,因此在培养计划与课程设置时尚未对Lumion系统设课。通过三个软件的逐一学习,学生能完成一系列平面图纸,但由于课堂教学时间有限,学生在制作景观动画方面的专业技能相对薄弱。
[1]MA Yiwei,YANG Ping,CHEN Sizhe,et al.Frequency hierarchical control for islanded micro-grid consisting of diesel generator and battery energy storage system[J].Control Theory&Applications,2015,32(8):1098–1105.(马艺玮,杨苹,陈思哲,等.含柴油发电机和蓄电池储能的独立微电网频率分层控制[J].控制理论与应用,2015,32(8):1098–1105.)
在众多的文学作品中,故事的发展脉络和设置的情节是最能够展现人物具体形象的,我们可以从故事的发展脉络中深刻感受到作品从人物的性格特点、家庭背景、人物关系等入手。在高中语文的阅读教学中,教师需要辅助学生熟读文章,理清故事发展的脉络,在描写中深刻感知人物的具体形象。以人教版高一语文必修一第四单元中《包身工》的学习为例。教师首先要求学生通读全文,对文章有一个大致的了解。
[3]LIU Jizhen,WANG Wei,HU Yang,et al.Control and optimization of alternate electrical power system with renewable energy sources[J].Control Theory&Applications,2016,33(12):1555–1561.(刘吉臻,王玮,胡阳,等.新能源电力系统控制与优化[J].控制理论与应用,2016,33(12):1555–1561.)
感冒消炎片具有散风清热、解毒利咽的功效。临床上用于感冒发热、咳嗽、咽喉肿痛、乳蛾、目赤肿痛的治疗。其处方由臭灵丹 (Laggera pterodonta(DC.)Benth)、蒲公英、千里光组成。其中千里光是主要中药之一,内含特征成分吡咯里西啶类生物碱具有强烈的肝毒性[1]。2015年版《中国药典》中千里光检查项下增加了阿多尼弗林碱的限量检查[2]。
[2]VARAYIA P P,WU F F,BIALEK J W.Smart operation of smart grid:risk-limiting dispatch[J].Proceedings of the IEEE,2011,99(1):45–57.
其实许仙不算是个好父亲。妻子被镇压雷峰塔下,孩子嗷嗷待哺,姐姐劝他:“当务之急是好好带大孩子,这样才不辜负你娘子。”但他听不进去。
[5]LIVENGOOD D,LARASON R.Locally automated optimal control of residential electricity usage[J].Service Science,2009,1(1):1–16.
司法体制改革与宪法修改也有着密切关系,司法体制改革中的跨行政区法院设立和省级通管,也可能会与宪法规定产生冲突,但这次宪法修改并没有涉及到与司法体制改革相关的条文,主要原因有两个:第一,改革的具体路径和成效尚不明确。第二,通过宪法解释可以在现阶段提供合宪性基础。由此可以看出,宪法修改应当是谨慎和经过深思熟虑的,除非改革触动了宪法最基本的内容,到了非改不可的程度,否则,一般不轻易修改宪法。
[6]CHAOUACHI A,KAMEL R M,ANDOUSI R,et al.Multiobjective intelligent energy management for a microgrid[J].IEEE Transactions on Industrial Electronics,2013,60(4):1688–1699.
[7]CARDOSO G,STADLER M,SIDDIQUI A,et al.Microgrid reliability modeling and battery scheduling using stochastic linear programming[J].Electric Power Systems Research,2013,103(10):61–69.
储能电池(battery energy storage,BES)可在微电网饱和时吸收微电网的过剩电能,并在微电网的电能出现短缺时释放电能以满足微电网的功率平衡的要求.通过快速地充放电,在短期内平滑微电网中由于外界环境的变化导致可再生能源功率输出的波动.其模型为[15]
明朝诗人唐寅《流水诗》可以做为本文文尾的归纳性总结:“浅浅水,长悠悠,来无尽,去无休,曲曲折折向东流,山山岭岭难阻留,问伊奔腾何时歇,不到大海不回头”。此诗直观地形容一条河中水的物流状态,表现了水的物流特性,那是一个字:“韧”,乃至“山山岭岭难阻留,不到大海不回头”,这种韧劲令人十分赞誉,已经是今人的警句。
[9]KRIETT P O,SALANI M.Optimal control of a residential microgrid[J].Energy,2012,42(1):321–330.
[10]LI Peng,XU Weina,ZHOU Zeyuan,et al.Optimal operation of microgrid based on improved gravitational search algorithm[J].Proceedings of the CSEE,2014,34(19):3073–3079.(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.)
[11]GABBAR H A,LABBI Y,BOWER L,et al.Performance optimization of integrated gas and power within microgrids using hybrid PSOPS algorithm[J].International Journal of Energy Research,2016,40(7):971–982.
[12]SANJARIA M J,KARAMIB H,YATIMA A H,et al.Application of hyper-spherical search algorithm for optimal energy resources dispatch in residential microgrids[J].Applied Soft Computing,2015,37(C):15–23.
[13]ZHANG J,WU Y,GUO T,et al.A hybrid harmony search algorithm with differential evolution for day-ahead scheduling problem of a microgrid with consideration of power flow constraints[J].Applied Energy,2016,183:791–804.
[14]MOHAN V,SINGH J G,ONGSAKUL W.An efficient two stage stochastic optimal energy and reserve management in a microgrid[J].Applied Energy,2015,160:28–38.
[15]KERDPHOL T,QUDAIH Y,MITANI Y.Optimum battery energy storage system using PSO considering dynamic demand response for microgrids[J].International Journal of Electrical Power&Energy Systems,2016,83:58–66.
[16]WU H,LIU X,DING M.Dynamic economic dispatch of a microgrid:mathematical models and solution algorithm[J].International Journal of Electrical Power&Energy Systems,2014,63(12):336–346.
[17]CHEN F,CHEN M,LI Q,et al.Cost-based droop schemes for economic dispatch in islanded microgrids[J].IEEE Transactions on Smart Grid,2017,8(1):63–74.
[18]ABDI H,BEIGVAND S D,SCALA M L.A review of optimal powerflow studies applied to smart grids and microgrids[J].Renewable and Sustainable Energy Reviews,2017,71:742–766.
[19]CHEN Haoyong,WANG Yongchao,XUAN Peizheng,et al.Robust economic dispatch method of microgrid containing high propotion of wind power[J].Control Theory&Applications,2017,34(2):1–8.(陈皓勇,王勇超,禤培正,等.含高渗透率风电的微网系统鲁棒经济调度方法[J].控制理论与应用,2017,34(2):1–8.)
[20]ZHAO B,SHI Y,DONG X,et al.Short-term operation scheduling in renewable-powered microgrids:a duality-based approach[J].IEEE Transactions on Sustainable Energy,2013,5(1):209–217.
[21]CHALERMCHAIARBHA S,ONGSAKUL W.Stochastic weight trade-off particle swarm optimization for nonconvex economic dispatch[J].Energy Conversion and Management,2013,70(3):66–75.
[22]ZHANG Y,JUN Y,WEI G,et al.Find multi-objective paths in stochastic networks via chaotic immune PSO[J].Expert Systems with Applications,2010,37(3):1911–1919.
[23]PLEVRISV,PAPADRAKAKISM.Ahybridparticleswarm-gradient algorithm for global structural optimization[J].Computer-Aided Civil and Infrastructure Engineering,2011,26(1):48–68.
[24]WU X,WANG X,QU C.A hierarchical framework for generation scheduling of microgrids[J].IEEE Transactions on Power Delivery,2014,29(6):2448–2457.
[25]MARZBAND M,GHADIMI M,SUMPER A,et al.Experimental validation of a real-time energy management system using multiperiod gravitational search algorithm for microgrids in islanded mode[J].Applied Energy,2014,128(3):164–174.