最优规模风力/光伏电池系统使用模糊——集群与集群Self-Adapted号码

文摘

集风力发电、光伏发电、和电池存储形成混合动力系统已被认为是有前途的可再生能源的发展。然而,考虑到系统的复杂性和不确定性的可再生能源,如风能和太阳能类型,它是这些系统很难获得可行的解决方案。在这篇文章中,最优规模的风力/光伏电池系统实现了技术和经济因素之间的取舍。首先,模糊聚类算法则是与self-adapted参数修改,从历史数据中提取有用的信息。此外,马尔可夫模型相结合来确定时间系统状态的自然资源和负载。最后,介绍了功率平衡策略指导与遗传算法优化过程,以建立最优配置最小化成本,同时保证可靠性和环境因素。岛的混合动力系统进行了分析,与仿真结果比较一般的FCM法和时间法来验证所提到的方法的有效性。

1。介绍

混合动力系统(HPS) (1,2),尤其是那些依赖于可再生能源代(规则),如太阳能光伏(PV),加上风力涡轮机代(WTGs),一直被视为最有前途的偏远地区供电配置,因为它既不经济也不实用,长距离传递能量。虽然这些清洁能源提供重大贡献和机会,不可预测性(3)这些资源提出了严峻的挑战,电力系统(4,5]。上下文中的远程HPS,最大的障碍是保持权力平衡,因为可调容量仅仅取决于海军学校规则和电池(6]。因此,风速和太阳辐照度的动态特性,以及电池的电源管理,应该调查为HPS获得实用的配置。

在以前的文献,介绍了各种方法HPS的分级优化。规则的随机性质调查了几个概率和时间的方法。利用自回归移动平均(ARMA)模型的不确定性,风力发电,光伏(PV)的权力,和负载(3,7,8]。然而,方法的参数估计ARMA总是有些麻烦。文献[9)提出了一个有效的分级优化方法在一个独立的HPS混合大Bang-Big紧缩算法。文献[10]分析了不同的四个启发式算法获得的结果;然而可再生能源的不确定性没有详细考虑。文献[11]提出技术经济优化的一种方法,在一个孤立的光伏系统;太阳辐射分类和供电可靠性计算每小时执行。然而,只有相对应的集群选择最小的太阳辐射,这可能不是合适的HPS的上下文中。其他的调查是基于总时间数据12,13]的计算时间总是太难以忍受了。在[14),传统的模糊(FCM)采用,则将数据的风速、太阳辐射、和负载均衡。因此数据的内在特征都有些武断的方式来处理。

这个提议的方法将互补的先前的研究和进一步迈出一步。首先,时间序列分析(15)是用来描述每小时的风能和太阳能的特点与FCM和加载数据,即组元素的函数具有类似特征的数据集。考虑到初始化FCM是敏感的集群(16),介绍了一种参数自适应方法来优化初始状态。此外,马尔可夫模型(17)相结合来获得HPS的系统方案。数据集的相关性和时间依赖性与时间保持集群的可再生后代和负载功率消耗。WTGs最优规模,光伏、DG和电池与遗传算法(GA),确定功率平衡的战略旨在确保资本化和运营成本最小化和可靠性要求,有限公司₂发射,和电池约束是保存在同一时间。

本文的其余部分可以通过以下方式。HPS组件的模型和技术与self-adapted FCM聚类数的介绍部分2。部分3提出了最优的目标函数和约束HPS分级方法。部分4利用独立的混合动力系统位于海南、中国,来验证提出方法的优势,比较self-adapted FCM模型和传统模型与实际数据进行了分析。节5结论进行了总结,讨论了可靠性和成本之间的关系。

2。在HPS的模型组件

2.1。HPS的组件

2.1.1。WTGs生成系统

每个WTG的输出功率(10,18(获得的)1),标准IEC 61400 - 12的功率曲线显示在图中1。

的参数和计算了 在哪里表示额定风速,和分别是切入风速,风速下限。意味着WTGs的额定功率。

整个风力发电可以用(派生3),总风能可以用(4): 在哪里的风力涡轮机和数量吗是时间步。

2.1.2。光伏系统

对于每个光伏面板,可以获得输出功率(10)与 在哪里表示光伏模块电源 。 意味着额定功率,意味着太阳辐照度,1000年,意味着引用太阳能辐照度 。意味着引用表面温度面板,也可以设置为等于25°C。光伏电池板的temperature-coefficients手段,它可以设置为等于 。温度推导出的每一个细胞 在哪里是大气温度。太阳辐照度和手段意味着标准操作单元温度和集25°C。

整个风力发电可以用(7),总风能可以计算(8): 给出了光伏电池板的哪里 。

2.1.3。电池银行和功率平衡的策略

以适应光伏和风力资源的随机行为,电池银行广泛用于混合动力系统。权力制衡策略主要是基于电池的灵活性和柴油代。的柴油发电机14)是唯一可调发电没有考虑存储设备。因此,力量平衡策略是有限的,只有一个模式,即柴油发电机运行来弥补可再生能源的电力短缺。REG的利用率最大化和最小化柴油发电,电力平衡策略如图2。

2.2。FCM和自适应聚类数

在本节中,修改FCM聚类识别HPS的操作状态。可以显著优化计算复杂性考虑国家的数量将大大低于8760 h的时间的方法。传统的FCM聚类算法只能处理规定的数据集事先给出聚类数目,不灵活的大型数据集的上下文中。一个新的有效性函数(19]介绍了构建紧密的比例和散度;因此集群数量可根据给定的数据集。

2.2.1。为HPS FCM聚类

邓恩然后建立的FCM聚类算法进一步提高了Bezdek已被广泛使用。

给定数据集分为集群相关的一些标准来优化一个目标函数。这个问题可以制定

给定数据集的有效分区应该发散和压实。紧密度和散度评估聚类有效性函数。因此,采用新的有效性函数 在哪里模糊加权指数大于1,意味着集群数量。数据集的下标索引吗 ,在这 每个模式。 是聚类原型。 指统计距离的数据集。中央给出总体数据的向量 。

2.2.2。聚类过程

然后,self-adapted FCM算法的聚类数与提议的有效性函数概述 。聚类过程如图3。

分区矩阵设置一个初始条件;只是两个本地的值需要比较的解决方案是在本地最小化目标函数,验证步骤的有效性在图3。

在[14WTGs],集群数量是由均匀划分切入和截止风速之间的范围。集群的PV和负载的选择是相同的。然而,内心的不确定性质的风力资源可能忽视通过这种方式,和这种方法的准确性可能显著降低。

摘要集群编号为WTGs, PV和加载获得通过的方法部分3.1。更具体地说,风的速度 ,太阳能辐照度和负载功率可分为 , ,和集群前后一致地。集群中心 , ,和代表在这个集群,即代表的风速、太阳辐射和负载。

2.2.3。马尔可夫随机过程

在随机过程的分析马尔可夫链是一种有效的方法来与一个状态的概率的频率对应的事件。操作状态 , ,和 ,在哪里 , ,和该方法获得的国家指标在部分3.1。带一个风电场四马尔可夫状态为例,如图4。状态转移概率和不同国家之间的失败率和 ,分别。

如果 , 是概率州(是集群数量),那么他们应该满足吗

对角线元素等于每个非对角元素的赔本的列转移概率矩阵 ,分别和其他职位对应的元素 。 在哪里表示转换数字状态来 ,和意味着许多州 。离职率(RD)是对角元素的模量;频率()和持续时间的状态()可以作为制定

HPS的系统状态主要取决于WT的组合和PV状态,也决定了DG和电池的状态。

3所示。分级优化

3.1。目标函数

提出最佳HPS分级方法,主要目标是确定各类DG的数量。对于一个给定的系统负载,可以设置目标的总成本优化。 在下标表示几代人的类型,即WT、PV, DG,和电池包含单元的成本、安装和HPS的燃料消耗。

DGs使用化石燃料的燃料消耗了 柴油发电机的成本模型

DGs使用可再生能源资源WG和PV操作成本可以忽略。DGs使用化石燃料,运行成本应该在学习期间积累。化石燃料的燃烧会导致CO的排放₂和气态污染物。柴油的增加特征代以来在这篇文章中,忽视了时间分辨率将是一个小时。

在(17),燃料消耗成本可以获得。

通过FCM聚类,它可以减少 在哪里可以获得与拟议中的力量平衡的策略。

3.2。约束

的基础上正常运行在独立的HPS,为了把可靠性因素和环境因素,提出的主要约束方法如下。

3.2.1之上。功率平衡在给定的时间分辨率

分级优化的基础问题是权力制衡。本文中的力量平衡策略如图2(HPS的力量平衡策略)。动力平衡方程 在哪里意味着输出功率的各种DG在给定的时间间隔 ,的长度是与规划周期的长度和设置是1 h。

3.2.2。最小和最大DGs的规模

下标的最大值和最小值的意思是DG天平的最大和最小限制,分别。

3.2.3。电池的限制

在时间 ,每个电池银行收费水平的价值应该满足

电池容量(银行)设置最大值的水平()和放电深度(DOD)决定了电池的最小值的水平()。

3.2.4。可靠性指标

LPSP(供电损失概率)被选中为简单起见,可以来源于分工的总时间的权力不平衡和研究时期 下标“max”表示的最大限制。

3.2.5。环境因素

的使用化石燃料排放的DGs可以获得(24),在考虑它的总时间,而且应该受到最大的制约 。

在这篇文章中, , ,和30-kW柴油发电机将是0.028144,0.001728和0.0000017。

3.3。利用遗传算法得到最优解

遗传算法(GA)是选择解决大小问题考虑的能力得到优化问题的全局最优解。这是受生物进化的过程中,也就是说,交叉,变异和选择。个人解决方案反复修改的人口“健身”功能,通常相关的目标函数。

在本文中,优化问题(14)~ (25)是处理GA,变量 , , ,和与形成的基因状态变量的字符串(染色体),和(14)将适应度函数。

4所示。结果

4.1。案例介绍

数据从一个岛屿在中国海南省用于分析提出问题。在这个岛上有丰富的风能和太阳能资源。

4.2。仿真结果和分析

每月平均风速、太阳辐射,温度,和负载功率消耗数据所示5- - - - - -8。

首先,风速 ,照明 ,和温度进口HPS模型获得WTGs的输出功率()和PV ()。然后集群编号为WT、PV和负载获得通过的方法部分2.1。集群中心Vc、Gc和Lc,分别代表国家对风速、太阳辐照度和负载,见表1- - - - - -3。

根据自适应仿真结果FCM,最优簇数风WT、PV,和LD 10、5、8。即每个WT有10个州,每个PV有5个州,和整体负载有8个州。有80个可能状态的可再生能源作为一个整体。它可以指出,HPS被显著地简化了的场景。

操作场景认为这是大大简化集群的聚集状态。DGs的输出和电池也取决于这些国家,根据功率平衡策略了。

新状态,概率是每个WTG状态概率的乘法,PV和有限的频率和持续时间对于一个新的场景同样可以获得。

然后chronology-based的结果,基于传统的FCM,比较和基于self-adapted集群数量的气体;结果见表4。遗传算法能够实现全局优化,但不能保证。8760年chronological-based方法需要迭代循环,和传统的FCM方法需要920 (= 23410)迭代循环,该方法需要400 (= 1058)迭代循环。

应该注意的是,在冬夜风能是多余的。光伏电池板的输出功率是多余的在夏天白天。

它可以发现chronology-based方法由于复杂的循环是最耗时的。关于整体成本,该方法仍有优势。图9显示了迭代所提到的算法的性能。

拟议中的self-adapted FCM聚类模型优于传统方法在两个方面:(1)chronological-based方法相比,减少了数据集,系统场景的HPS的数量可以显著减少,而且可以显著减少计算负担和CPU时间,表所示4。(2)基础方法,相比传统的FCM聚类数目的数据集本质上是获得和优化,这就增加了概率获得全局最优的解决方案。而传统方法的结果只能是使统一划分的分区,选择的场景有些武断,忽视了内部随机数据集的特征。因此,基本基于FCM方法最终获得一个局部优化的解决方案。

在拟议的方法中,可再生能源的好处被认为是减少有限公司₂和改善LOSP已经设置为约束的问题。考虑不同的可靠性指数投资成本的影响,让30000公斤/ y。总体投资成本变得更高可靠性的要求()增加,如图10。公司的影响₂类似于LPSP指数。

实际上,减少公司的好处₂和改善LOSP负相关成本优化过程。我们修改了讨论这个问题在我们修订后的手稿。

5。结论

在这篇文章中,一个新奇的方法利用self-adapted FCM聚类结合马尔可夫模型和遗传算法提出了确定HPS的最佳组合。权力制衡战略也是指导优化设计的过程。self-adapted FCM聚类可以处理规则的随机特征,和马尔可夫模型可以显著减少规则的操作场景。该方法比较具有竞争力总体成本,可以得出结论,减少公司的好处₂和改善LOSP负相关成本优化过程。

未来的工作将包括以下几点:(1)改善聚类模型进一步研究可再生资源之间的关联(2)将局部和全局控制策略添加到电力平衡分析的过程(3)该方法扩展到操作HPS的计划阶段。

的利益冲突

作者宣称没有利益冲突有关的出版。

引用

1. R.-J。围,s . Cheng Y.-F。林和研究。陈”,装机容量选择的混合发电系统通过改善particle-swarm-optimisation,”专业生成、传输和分布,8卷,不。4、742 - 752年,2014页。视图:出版商的网站|谷歌学术搜索
2. j·g·麦高文和j . f . Manwell”混合风力/光伏/柴油系统经验,“可再生能源,16卷,不。1 - 4、928 - 933年,1999页。视图:出版商的网站|谷歌学术搜索
3. a . Arabali m . Ghofrani m . Etezadi-Amoli和m . s . Fadali“随机混合动力系统的性能评估和分级的太阳能/风能/储能,”IEEE可持续能源,5卷,不。2、363 - 371年,2014页。视图:出版商的网站|谷歌学术搜索
4. r·r·巴顿”提供一个更完整的描述的不确定性:可以做,”诉讼程序的模拟社会研究研讨会(通知' 07),26-60,2007页。视图:谷歌学术搜索
5. 大肠Ela和m . O ' malley”研究变量的变异性和不确定性影响一代在多个时间尺度,“IEEE电力系统,27卷,不。3、1324 - 1333年,2012页。视图:出版商的网站|谷歌学术搜索
6. a·基恩·l·f·奥乔亚,c·l·t·博尔赫斯et al .,“最先进的技术和挑战为分布式发电规划和优化,“IEEE电力系统,28卷,不。2、1493 - 1502年,2013页。视图:出版商的网站|谷歌学术搜索
7. a . Mohamed El Motaleb Abd s Kazim Bekdache, l·a·巴里奥斯,“最佳分级混合动力系统与基于风/能量储存在随机环境下,“可再生能源和可持续能源的评论59卷,第1158 - 1149页,2016年。视图:出版商的网站|谷歌学术搜索
8. e . Koutroulis d . Kolokotsa a Potirakis, k . Kalaitzakis”方法最优规模的独立光伏/风力发电机系统使用遗传算法,”太阳能,卷80,不。9日,第1088 - 1072页,2006年。视图:出版商的网站|谷歌学术搜索
9. 艾哈迈迪和s . Abdi”应用程序混合大Bang-Big紧缩算法的最优规模的独立混合光伏/风力/电池系统,”太阳能卷,134年,第374 - 366页,2016年。视图:出版商的网站|谷歌学术搜索
10. a . Maleki和f . Pourfayaz自主优化分级混合光伏/风力/电池供电系统与LPSP技术通过使用进化算法,”太阳能卷,115年,第483 - 471页,2015年。视图:出版商的网站|谷歌学术搜索
11. k . Benmouiza m . Tadj, a . Cheknane”每小时太阳辐射的分类使用模糊c均值算法进行最优独立光伏系统规模,”电力和能源系统的国际期刊卷,82年,第241 - 233页,2016年。视图:出版商的网站|谷歌学术搜索
12. m . Mosadeghy r .严,t·k·萨哈,“时间的方法来评估能力的风能和太阳能光伏发电,”IEEE可持续能源,7卷,不。1,第138 - 129页,2016。视图:出版商的网站|谷歌学术搜索
13. c .毛,阮l .徐x张,和y罗,“一种改进的最优分级方法wind-solar-battery混合动力系统,”IEEE可持续能源,4卷,不。3、774 - 785年,2013页。视图:出版商的网站|谷歌学术搜索
14. y y。香港和R.-C。丽安,“混合风力/光伏/柴油生产优化分级使用markov-based遗传算法在一个独立的电力系统,”IEEE电力交付,27卷,不。2、640 - 647年,2012页。视图:出版商的网站|谷歌学术搜索
15. s . n . Gopiya奈克,d . k . Khatod, m·p·夏尔马”分析方法为最优选址和分级分布式发电的径向分布网络,”专业生成、传输和分布,9卷,不。3、209 - 220年,2015页。视图:出版商的网站|谷歌学术搜索
16. 在x Yejun,”费茨威廉学院。计算机科学学报第十届国际会议上,教育(ICCSE 15)费茨威廉,页22 - 24,大学,剑桥大学,剑桥,英国,2015年。视图:谷歌学术搜索
17. A . s . Dobakhshari和m . Fotuhi-Firuzabad”大型风电场对电力系统的可靠性模型适当研究,“IEEE能量转换,24卷,不。3、792 - 801年,2009页。视图:出版商的网站|谷歌学术搜索
18. h·l . Chen, z, g, t·夏和l .任”比较的电感和电阻VSC-HVDC系统的拓扑结构鲁棒性改进针对直流风力发电厂的错,”IEEE应用超导,26卷,不。7日,1 - 8,2016页。视图:出版商的网站|谷歌学术搜索
19. 李y和f . Yu”新的模糊聚类有效性函数《计算智能和自然计算国际会议(CINC ' 09),1卷,页462 - 465,IEEE, 2009年6月。视图:出版商的网站|谷歌学术搜索

版权

版权©2017年鑫刘et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。