文摘
快速增长的光伏(PV)植物、光伏发电设备的实时操作和维护是非常重要的。维护和调度的分散式电站仍然是一个关键的问题影响光伏电站的安全运行。然而,大多数中国的光伏电站无法合理优化利用资源和时间。目前的研究提出了努力实现通过遗传算法multiconstrained优化方法。该研究最优覆盖传统的光伏电站运行和维护调度操作自动化和可靠性。拟议的研究也适用于多个光伏植物,多个维护者,多点,不同的调度条件,和成本的考虑。我们提出一个MOOA算法来解决这个问题,我们坚信,通过定义一个合适的适应度函数,可以大大提高收敛速度和优化能力,这项研究将向前一步。
1。介绍
光伏电站是智能电网的核心组件(1,2]。因为它的分散的地理位置,复杂的结构,大量的设备,和t复杂的日常操作和维护程序(3,4),所有这些常规操作大大影响智能电网的运行平稳。目前,光伏植物的维护(5- - - - - -7)主要是进行按照国家规定的定期维护。存在许多问题,导致过度的成本维护,如维护不足,可靠性差,资源的浪费,增加维护成本。因此,操作和维护调度的核心问题已经成为智能操作系统的PV植物(8,9]。操作和维护任务分配问题的本质上是一个扩展。的分配任务人属于均衡分配;否则,它属于一个不平衡的分配10]。光伏电厂的运行和维护的过程中,维护人员的数量小于的发电厂,导致分配不平衡的问题。平衡分配问题可以很好地解决了匈牙利算法,消除高度,减少矩阵分析(11),而不平衡的分配问题是一个目标函数与约束优化问题,约束和目标函数可能不是线性化,所以很难解决这个问题。几个研究已经提出努力解决一个不平衡的分配问题12,13),如双重运输方法(14- - - - - -17和模糊匈牙利算法18]。然而,解决过程是复杂的和没有的鲁棒性和适应性。机器学习尤其是深度学习还提供了一种解决不平衡分配问题(19]。本文提出了一种遗传算法来解决不平衡指派问题的操作和维护调度。这种方法可以优化操作和维护派遣多个光伏植物,多个维护者,多点离开。它可以设置不同的任务约束或成本考虑,加快收敛速度,提高算法的优化能力。
2。PV操作和维护模型的设立工厂
任务和维护者的分配问题需要匹配为研究对象来优化资源的利用率(20.,21]。操作和维护调度的数学模型PV植物描述如下。
假设维护者的数量和任务的数量在特定的时间,它获得 考虑到维护成本,和一种植物是只由一个维护者;维护人员将根据算法执行下一个任务提示完成后去年光伏电站的维护。在这篇文章中,操作和维护调度的最优路径是由维护人员给减少所花费的时间在路上。代表了路上耗时两个保持PV植物,例如,
然后,多目标分配不平衡的数学模型维护人员,光伏工厂如下: 在哪里 意味着维护人员完成任务和 意味着没有被分配的任务。
为了解决不平衡的分配(2),它使得一个等价的交换(2),也就是说,维护者被添加到组成维护人员。在本质上,增加了维护人员只考虑在计算和将不会显示在调度路线规划;此外,增加了维护人员不会影响目标函数和约束条件,所以不平衡指派问题的本质没有改变。原来的不平衡指派问题相当于平衡分配问题,也就是说,米维护人员负责操作和维护nPV植物。数学模型如下: 在哪里 将0 - 1变量对应于添加维护人员的任务分配。显然,改变模型等价于原始模型。方程(4)只对应一个任务,满足约束条件和优化目标。传统的方法难以解决。本质上,操作和维护的分配问题的PV植物是一个np完全问题,解决了通过搜索一个接一个,和时间消耗 。在本文中,我们使用了一个遗传算法来解决PV操作和维护调度的植物。
3所示。维护人员调度的优化算法
基地的遗传算法求解最优维护策略的光伏工厂如下:首先,遗传算法解决了各种TSP问题与许多结果(22- - - - - -24),是成熟和可靠的。第二,遗传算法满足不同的问题的解决方案;为实例,多点出发和多人操作和维护的问题可以通过调整分配的染色体编码方法,操作和维护策略和不确定的时间限制和成本计算方法可以通过调整适应度函数。第三,遗传算法很容易重复,这符合新要求从实际的操作和维护环境PV植物(25,26]。
如图1光伏阵列的故障诊断过程。本文设计的最优分布电压传感器根据等效PV植物分布的权重矩阵分析法。通过回归分析的状态数据27,28故障点的位置,分析得到的电压信号通过电压传感器检测到。光伏阵列的故障诊断模型设计和执行。这个模型将故障点的类型(29日- - - - - -31日]。基于设备生命周期管理的概念(32,33],本文建立了设备状态数据模型,获得的信息设备管理,建立设备的健康历史地位,指设备制造商的规定在其设计寿命,有效运行的生活,最大允许的生活,和样本统计数据的实际使用寿命,并实现了设备状态监测的助理决策光伏发电站。
下面的步骤是用来优化光伏电厂的运行和维护调度:步骤1。输入要解决的故障信息,包括故障的数量 ,的位置错误的发电站 ,错误的电站的装机容量 ,错误的电站的故障等级 ,剩下的维修等待时间错误的发电站 ,和错流数 。步骤2。路径优化算法是遗传算法获得的。①输入交通成本矩阵,即交通成本之间的故障定位和出发的地点。②随机序列断层管道数量构成初始基因如下: ③重复②次形式最初的基因: ; 最初的基因构成了初始种群 。④构造适应度函数 : 在哪里代表了适应度函数来评价健康的基因,代表了错流数量的基因,代表两个断层位置之间的交通费用由错流数量和交通成本矩阵C,代表了交通总成本的维护中间流的顺序编号,代表的顺序在 ; ,如果它排名第一 。 表示错误的电站的装机容量与故障对应的管道数量 , 表示错误的故障等级植物对应故障管道数量 ,和表示剩下的维修等待时间错误的电站故障对应管道数量 。 代表了惩罚系数的交通费用;默认值是1000;更大的米,降低交通成本的路线将是首选,然后呢代表了惩罚系数的装机容量;默认值是100;更大的是,首选。电站装机容量大,意味着惩罚系数的故障等级。更大的惩罚系数越高,维修时间。意味着维修时间的惩罚系数。更大的是,降低维护的等待时间。⑤ 从人口个体是随机挑选的 ,和个人的概率被选中的,如下: 健身就越大,被选中的概率越高,和新的个人选定的被插入到新的人口 。⑥的概率用于随机选择个人的人口 ,甚至和交叉操作方便。交叉操作是由随机抽取一定数量的个体基因片段和配对个人形成一个新的个体加入人口 。在优化过程中PV操作和维护的植物,设置为0.75。在新的人口 ,的概率用于随机选择个人,这是对突变。也就是说,两个基因片段是随机选择的,和交换他们的位置新人才加入 。在优化过程中PV操作和维护的植物,设置为0.01。交叉方法和变异方法如图所示2。两个人选择随机的概率进行交叉操作。后代继承的一部分基因从父母和父母保持相同的序列,如图2。父母的一些基因,如678年,与父2选择随机交叉,交叉结果如图2。的概率突变的发生。因为每个城市只经过一次在TSP问题,突变的值不会改变一个位置的基因序列(这将导致一个城市通过两次)但应随机交换两个位置的值,如图2;3和8的位置应该交换。⑦重复⑤⑥,直到达到最大迭代次数,或个体的适应度函数达到给定的阈值。⑧个人最大的输出健身,流数据维护序列的序列的算法。步骤3。最优操作和维护方案输出的路径优化算法。步骤4。如果维护人员实现最优路径时,操作和维护费时不匹配预期耗时或新的故障发生在操作和维护期间;我们需要更新的信息来解决这个故障又重复步骤2 - 4,直到维护者成功地实现最优路径。
4所示。实验和实施验证
实验环境使用MATLAB 6.0构建36随机点PV植物的分布区域,满足点,路上所花费的时间是三角形的边长之和两个点之间的经验;构造权重矩阵的操作和维护过程中,随机选择一个点的点作为维护对象的数量,又让他们每一个1分钟的点。随机选择0到1点作为一个新的维护对象加入到维护队列。假设一个维护者以固定速度点集之间的操作和维护,以及速度每分钟不超过最大的三角形的边的长度。如图3,随机生成点,满足点,构建维护网站。
在实验中,光伏植物的维护可以由实现一个维护者和三个维护者,分别。通过实现遗传算法,最优调度维护人员能得救的道路,尤其是当面临38光伏发电站,可以保持不超过三个维护者。
为了更好地证明优化方法的合理性的操作和维护派遣PV植物基于遗传算法,随机方法,使用贪婪算法和遗传算法进行实验。耗时两个地方之间的道路上的一个公司的光伏浙江省植物如表所示1湖州德清,包括杭州,海宁,Jiande, Kaihua, Kecheng,临安,临海,龙泉,锅,衢州,上虞,绍兴,嵊州市,台州,天台,年号桐乡,余姚,诸暨。PV植物在各领域的修理和维护一旦找到一个适当的操作和维护的道路。每个地区的平均旅行时间是159分钟,其中(1)21个视野的平均总时间随机巡逻的路线方法是3340分钟。(2)使用贪婪算法(下一个目的地从当前位置最近的位置),选择的路线如下:杭州绍兴上虞> >海宁、桐乡> > >余姚>嵊州市>天台>台州临海> >锅国安诸暨市> >临安> >湖州德清>铜> Jiande > Kecheng >衢州> Kaihua >龙泉>杭州。时间序列{61,35岁,65年,45岁,40岁,86年,69年,54岁,68年,144年,99年,98年,73年,58岁的140年,66年,71年,13日,61年,217年,313},总计1876分钟。(3)遗传算法用于优化维护路径。操作和维护位置的时间成本矩阵如表所示1。所选路线如下:杭州>临安、桐乡> >湖州德清> >海宁诸暨市> >绍兴上虞>嵊州市>天台> >余姚>台州>临海>潘国安>龙泉> Kaihua > Kecheng >衢州> Jiande >铜>杭州。
时间序列{62、73、58岁的87年,35岁,103年,77年,40岁,55岁,67,69,90,68,97,187,217人,56岁,13日,76年,66年,78},总计1278分钟。
而详尽的湿法获得的最优路径,证实了改进后的遗传算法可以获得最优路径21操作和维护路线。
遗传算法的编码方法、适应度函数的定义(34,35)被用来解决PV操作和维护路线规划的植物。与该算法相比,如图4,(35)需要81次迭代,34)需要44个迭代,而这个算法只需要34个迭代,最后操作和维护路径需要1278分钟。通过定义一个合适的适应度函数,该策略的遗传算法优化操作和维护路径提出了可以加速遗传算法的收敛速度和搜索。
5。总结
本文提出的优化方法,操作和维护派遣PV植物基于遗传算法。这种方法旨在大规模分布式光伏电厂的运行和维护任务。GA M-TSP是为维护人员提供一个最优路径派遣申请光伏工厂。它支持多个光伏的优化操作和维护调度植物,multimaintainer,多目标,多点离开。multitype成本函数,可以设置不同的赋值约束或成本考虑,如在指定时间内到达或最小时间成本的运输成本。我们确定,该模型将领导方式。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称他们没有潜在的利益冲突的研究,本文的作者,和/或出版。
确认
一些作者的出版也在研究这些相关项目:(1)高职教育教学融合下的江苏生产集成平台建设项目批准号2019(26),(2)下的江苏省自然科学基金批准号BK20131097;(3)“清局域网项目”在江苏省高校教学团队批准号2017(15),(4)高水平的江苏省重点建设项目资金在批准号2017(17)和(5)于2020年在江苏省高校自然科学研究。