文獻(xiàn)標(biāo)識(shí)碼: A
DOI:10.16157/j.issn.0258-7998.170403
中文引用格式: 馬文,,耿貞偉,,張莉娜,等. 基于改進(jìn)多目標(biāo)狼群算法的微電網(wǎng)調(diào)度優(yōu)化[J].電子技術(shù)應(yīng)用,,2017,,43(11):124-127.
英文引用格式: Ma Wen,,Geng Zhenwei,,Zhang Lina,et al. The improved multi-objective wolf colony algorithm based microgrid scheduling optimization[J].Application of Electronic Technique,,2017,,43(11):124-127.
0 引言
微電網(wǎng)在現(xiàn)代電力中得到不斷應(yīng)用推廣,,如何獲得微電網(wǎng)構(gòu)建和運(yùn)行成本經(jīng)濟(jì)性、環(huán)境效益最大化是非常有價(jià)值的研究方向[1-2],。而傳統(tǒng)針對(duì)大型發(fā)電機(jī)的調(diào)度優(yōu)化策略無(wú)法適應(yīng)微電網(wǎng)復(fù)雜多目標(biāo)屬性,。
進(jìn)化計(jì)算方法具有優(yōu)秀全局優(yōu)化性能,但初始點(diǎn)對(duì)算法收斂效果影響很大,。文獻(xiàn)[3]研究了具有爬坡限制條件發(fā)電機(jī)的經(jīng)濟(jì)性調(diào)度策略,,實(shí)現(xiàn)算法性能提升。文獻(xiàn)[4]提出種群多樣性為策略的遺傳算法改進(jìn),,對(duì)建設(shè)成本,、設(shè)備容量進(jìn)行經(jīng)濟(jì)性調(diào)度。文獻(xiàn)[5]基于梯度策略對(duì)遺傳進(jìn)化算法種群進(jìn)行初始改進(jìn),,但梯度策略需對(duì)優(yōu)化目標(biāo)執(zhí)行求導(dǎo),,實(shí)現(xiàn)過(guò)程復(fù)雜。傳統(tǒng)基于多目標(biāo)算法的電網(wǎng)調(diào)度策略的設(shè)計(jì)思路是將其轉(zhuǎn)化成單目標(biāo)問(wèn)題優(yōu)化,,如權(quán)重策略[6],、模糊評(píng)估策略[7]等,;但附加轉(zhuǎn)化過(guò)程會(huì)受主觀意識(shí)左右,很難均衡各評(píng)價(jià)目標(biāo)間的重要性,。多目標(biāo)遺傳進(jìn)化算法(NSGA-Ⅱ)采用精英進(jìn)化方法,,并利用非支配形式的排序策略進(jìn)行個(gè)體隸屬關(guān)系比較,是一種常用的多目標(biāo)優(yōu)化方法,。狼群算法[8]是一種在連續(xù)空間內(nèi)采取隨機(jī)方式進(jìn)行啟發(fā)式優(yōu)化的搜索方法,,在算法結(jié)構(gòu)上與遺傳算法近似,但無(wú)需編碼,、解碼過(guò)程,,因此具有算法實(shí)現(xiàn)簡(jiǎn)單、運(yùn)行和收斂速度快的優(yōu)點(diǎn),。
本研究建立了微電網(wǎng)多目標(biāo)調(diào)度優(yōu)化模型,,并采用基于個(gè)體密度多目標(biāo)狼群算法進(jìn)行求解。改進(jìn)算法引入了非支配排序和個(gè)體密度多樣性保持操作,,有效提高了多目標(biāo)優(yōu)化的前沿分布多樣性和收斂精度,。
1 系統(tǒng)模塊
1.1 模塊結(jié)構(gòu)設(shè)計(jì)
本研究模塊調(diào)度優(yōu)化結(jié)構(gòu)如圖1所示。
圖1所示的調(diào)度模塊設(shè)計(jì)方法包含輸入,、輸出,、系統(tǒng)仿真和調(diào)度優(yōu)化4個(gè)模塊,相互之間通過(guò)數(shù)據(jù)交流進(jìn)行目標(biāo)的優(yōu)化,。其中,,輸入部分的作用是向系統(tǒng)中輸入?yún)?shù)數(shù)據(jù);輸出部分包含調(diào)度優(yōu)化目標(biāo)值和最終的實(shí)施方案,;調(diào)度優(yōu)化模塊和系統(tǒng)模型是所設(shè)計(jì)調(diào)度模塊的核心,,基于兩個(gè)模塊之間信息交流實(shí)現(xiàn)目標(biāo)的調(diào)度優(yōu)化。其中,,上述系統(tǒng)模型基于能量模型進(jìn)行準(zhǔn)穩(wěn)態(tài)特性下的系統(tǒng)仿真運(yùn)行,,并評(píng)估所設(shè)計(jì)方案的經(jīng)濟(jì)和環(huán)境性;采用優(yōu)化方法實(shí)現(xiàn)調(diào)度策略的優(yōu)化設(shè)計(jì),,調(diào)度優(yōu)化模塊利用種群對(duì)調(diào)度方案進(jìn)行學(xué)習(xí)和指標(biāo)評(píng)估,,并以適應(yīng)值形式進(jìn)行模塊優(yōu)化值傳遞。
1.2 運(yùn)行約束條件
微電網(wǎng)系統(tǒng)運(yùn)行約束主要是功率均衡方程:
1.3 調(diào)度優(yōu)化多目標(biāo)模型
調(diào)度優(yōu)化多目標(biāo)模型可表示成下列計(jì)算方式:
式中,,fi為優(yōu)化目標(biāo)i,,X為需優(yōu)化微電網(wǎng)變量,G為等式約束,,H為不等式約束,,Ω為解空間。微電網(wǎng)調(diào)度優(yōu)化目標(biāo)為:
2 微電網(wǎng)MOWCF多目標(biāo)調(diào)度優(yōu)化
2.1 狼群算法
狼群算法(WCA)主要是通過(guò)對(duì)群狼捕獵行為的協(xié)作模擬實(shí)現(xiàn)目標(biāo)的優(yōu)化,見(jiàn)圖2,。
WCA算法中,,群狼分工明確,有猛狼,、探狼和頭狼之分,,其中頭狼的目標(biāo)函數(shù)值最優(yōu),氣味濃度是目標(biāo)適應(yīng)值,。算法步驟如下:
(1)對(duì)人工狼位置初始化Xi,,設(shè)定探狼游走次數(shù)上限Tmax,狼群規(guī)模N,,探狼比重α,,迭代數(shù)上限kmax,,比例更新因子β,,步長(zhǎng)因子S,距離因子w,。
(2)選取頭狼并選擇S_num探狼游走,,如濃度Yi優(yōu)于頭狼濃度Ylead,或游走數(shù)達(dá)最大值Tmax,,則跳轉(zhuǎn)步驟(3),。
(3)猛狼圍捕獵物,如探測(cè)到濃度Yi<Ylead,,那么令Ylead=Yi,,替換頭狼地位;如滿(mǎn)足Yi>Ylead,,那么猛狼繼續(xù)圍捕,,直到滿(mǎn)足dis=dnear,則跳轉(zhuǎn)步驟(4),。
(5)按優(yōu)勝劣汰方式進(jìn)行頭狼位置更新,,按照強(qiáng)者保留原則進(jìn)行狼群個(gè)體更新。
(6)判定是否達(dá)到終止條件,,如滿(mǎn)足則終止,,并輸出頭狼信息,獲得最優(yōu)解,,否則跳轉(zhuǎn)步驟(2),。
2.2 非支配個(gè)體選取
這里設(shè)計(jì)了一種非支配快速排序選擇方法:
(1)對(duì)狼p操作:①設(shè)定Sp=φ,np=0,,Sp儲(chǔ)存?zhèn)€體p支配個(gè)體,,np為支配個(gè)數(shù);②如滿(mǎn)足p>q,那么令Sp=Sp∪{q},;否則q>p,,np=np+1; ③若滿(mǎn)足np=0,,那么狼p等級(jí)prank=1,,然后把p加入Pareto前沿集合內(nèi),F(xiàn)1=F1∪{p},;
(2)滿(mǎn)足Fi=φ前,,對(duì)算法執(zhí)行操作:①設(shè)定Q=φ,對(duì)Fi臨時(shí)存放,;②對(duì)Fi內(nèi)狼p進(jìn)行操作:對(duì)Sp內(nèi)狼q,,令nq=nq-1,若滿(mǎn)足nq=0,,那么q僅受p支配,,Q=Q∪q,qrank=i+1,;③設(shè)定i=i+1,;④設(shè)定Fi=Q,并獲得前沿集F2~Fn,。
2.3 個(gè)體密度計(jì)算
對(duì)r個(gè)目標(biāo)f1,、f1…fr,狼i個(gè)體密度為P[i]dis,,那么可得個(gè)體密度值計(jì)算形式為:
對(duì)于大小為N的狼群,,最差情況對(duì)r個(gè)目標(biāo)密度計(jì)算復(fù)雜度為O(rN),排序復(fù)雜度為O(rNlogN),,則總計(jì)算復(fù)雜度是O(rNlogN),。
2.4 微電網(wǎng)多目標(biāo)調(diào)度算法
多目標(biāo)狼群微電網(wǎng)標(biāo)調(diào)度算法如圖3所示。
圖3中,,選取N/2個(gè)體構(gòu)建猛狼子群,,通過(guò)圍捕和更新生成狼群p1,并與狼群p混合,,執(zhí)行非支配選取和個(gè)體密度計(jì)算,,獲得規(guī)模為N的新狼群p′。
3 實(shí)驗(yàn)分析
3.1 性能測(cè)試
所選用的測(cè)試函數(shù)形式為:
式中,,向量x的區(qū)間為0≤xi≤1,。
設(shè)定參數(shù)N=200,Tmax=500,,α=0.25,,β=0.1,,S=0.01,w=0.01,。對(duì)比算法:NSGAⅡ,、VEGA、SOEA[8]和SPEA算法,,對(duì)比結(jié)果見(jiàn)圖4,。
圖4(a)~圖4(b)分別是算例1~2的Pareto前沿解集的對(duì)比情況。根據(jù)圖4實(shí)驗(yàn)結(jié)果可看出,,在前沿性指標(biāo)上,,本文算法要優(yōu)于選取的NSGAⅡ、VEGA,、SOEA和SPEA 4種算法,,在均勻性指標(biāo)上,本文算法要顯著好于SOEA和VEGA兩種算法,,略好于SPEA和NSGAⅡ兩種算法,。
3.2 微電網(wǎng)算例優(yōu)化
Docker容器技術(shù)與傳統(tǒng)虛擬技術(shù)的差別在于其直接對(duì)虛擬化過(guò)程進(jìn)行操作系統(tǒng)層面操作,可實(shí)現(xiàn)系統(tǒng)內(nèi)核共享,。不存在額外的中間層的計(jì)算開(kāi)銷(xiāo),。由此可知,Docker容器技術(shù)具有非常高的資源利用率和執(zhí)行效率,。這里以Garver-14節(jié)點(diǎn)的風(fēng)柴蓄光微電網(wǎng)系統(tǒng)為算例,采用Docker容器技術(shù)進(jìn)行算法性能驗(yàn)證,。各設(shè)備單元的具體參數(shù)如表1所示,。
表2所示為采用上述參數(shù)的微電網(wǎng)規(guī)劃指標(biāo)對(duì)比結(jié)果,對(duì)比算法選取NSGAII算法和文獻(xiàn)[8]算法,。
根據(jù)表2規(guī)劃結(jié)果可知,,文獻(xiàn)[8]采用正序分量保護(hù)方法,增加了電網(wǎng)建設(shè)成本和運(yùn)行維護(hù)成本,。而NSGA-II算法在解集的收斂性上要差于本文多目標(biāo)狼群算法,,本文算法具有更佳的收斂數(shù)值。
在選取的算例中,,優(yōu)化算法獲得的Pareto前沿的解集數(shù)量迭代進(jìn)化情況見(jiàn)圖5結(jié)果所示,。
根據(jù)圖5,相對(duì)NSGA-II,,本文算法所得解集數(shù)要優(yōu)于NSGA-II,,且本文算法在進(jìn)化到200代時(shí),即收斂到最佳位置,,而NSGA-II在進(jìn)化到300代左右時(shí)才達(dá)到最佳位置,,這體現(xiàn)了算法較好的收斂性。
圖6給出NSGA-II和本文算法在Garver-14算例上的前沿解集分布對(duì)比情況,給出了算法在環(huán)境效益,、發(fā)電和運(yùn)行經(jīng)濟(jì)性3個(gè)目標(biāo)上的解集分布情況,。
根據(jù)圖6,本文算法可有效提升Pareto前沿優(yōu)化能力,,相比NSGAII,,本文算法在對(duì)微電網(wǎng)算例優(yōu)化過(guò)程中,所得Pareto前沿具有更佳視覺(jué)完整性,,解集分布性更加均勻,,且算法具有更好的收斂性能。
4 結(jié)束語(yǔ)
本文采用MOWCA算法進(jìn)行了風(fēng)柴蓄光微電網(wǎng)系統(tǒng)多目標(biāo)規(guī)劃,,該模型考慮到了微電網(wǎng)設(shè)計(jì)的環(huán)境效益和經(jīng)濟(jì)型成本,,并對(duì)算法引入了個(gè)體密度計(jì)算和非支配個(gè)體選取過(guò)程,有效增加了種群進(jìn)化的多樣性能,,獲得了更好的收斂性能,,本文的規(guī)劃方法可為微電網(wǎng)設(shè)計(jì)提供解決思路。
參考文獻(xiàn)
[1] 郭筱瑛,,王嘉磊,,黎凡森,等.基于VSG的LCL型微網(wǎng)逆變器技術(shù)研究[J].電子技術(shù)應(yīng)用,,2017,,43(1):152-155,160.
[2] 陳西,,付蓉.并網(wǎng)模式微電網(wǎng)雙層分布式優(yōu)化調(diào)度算法[J].微型機(jī)與應(yīng)用,,2016,35(7):79-82.
[3] VRIONIS T D,,KOUTIVA X I,,VOVOS N A.A genetic algorithm-based low voltage ride-through control strategy for grid connected doubly fed induction wind generators[J].IEEE Transactions on Power Systems,2014,,29(3):1325-1334.
[4] ROSTAMI N,, FEYZI M R,PYRHONEN J,,et al.Genetic algorithm approach for improved design of a variable speed axial-flux permanent-magnet synchronous generator[J].IEEE Transactions on Magnetics,,2012,48(12):4860-4865.
[5] SAMARAWICKRAMA K,,JACOB N D,,GOLE A M,et al.Impulse generator optimum setup for transient testing of transformers using frequency-response analysis and genetic algorithm[J].IEEE Transactions on Power Delivery,,2015,,30(4):1949-1957.
[6] Li Haiyan,, Ma Mingxu,Zhang Wenlei.Multi-objective collaborative optimization using linear physical programming with dynamic weight[J].Journal of Mechanical Science and Technology,,2016,,30(2):763-770.
[7] 李國(guó)亮,魏振華,,徐蕾.基于改進(jìn)搜索策略的狼群算法[J].計(jì)算機(jī)應(yīng)用,,2015,35(6):1633-1636,,1687.
[8] MIRSAEIDI S,,SAID D M,MUSTAFA M W,,et al.A protection strategy for micro-grids based on positive-sequence component[J].IET Renewable Power Generation,,2015,9(6):600-609.
作者信息:
馬 文1,,耿貞偉1,,張莉娜1,于鳳榮2
(1.云南電網(wǎng)有限責(zé)任公司信息中心 應(yīng)用技術(shù)部,,云南 昆明650217,;
2.昆明理工大學(xué) 冶金與能源工程學(xué)院,云南 昆明650093)