分布式多目标（通用8篇）
分布式多目标 篇1
0 引言
随着全球经济的加速发展, 能源短缺、环境污染成为当今社会面临的巨大挑战[1]。由于电力负荷持续增长、电力系统结构老化、能源利用效率瓶颈、用户对高标准电能质量的要求以及环保等问题, 迫切需要发展清洁、无污染的可再生能源发电方式, 作为传统集中式发电的有效补充, 分布式发电技术应运而生。分布式电源 (distributed generator, DG) 是指为满足用户特定需要、支持现有配电网的经济运行、靠近用户且与环境兼容、功率从数千瓦到数兆瓦的小型发电机组。目前主要包括:以液体或气体为燃料的内燃机、微型燃气轮机、太阳能发电、风力发电、小 (微) 水发电、生物质能发电等。由于占地少、投资少、见效快、调峰方便、灵活性高、清洁环保等特点, 分布式发电技术具有集中式发电无可比拟的优势。
配电网扩展规划是在已知规划水平年的电源发展和负荷预测基础上, 根据现有的电网结构, 合理地确定若干年后的目标网架结构, 使其在保证安全可靠的前提下达到电网经济性最优。严格来说, 配电网架规划是一个多目标整数规划问题[2,3,4], 而DG的接入使规划维数和难度大大增加。常规方法都是先确定DG的位置和容量, 再进行网架结构规划, 是一种人为划分的纵向规划方法;而实际情况并非如此, DG和网架中任何一个发生变化都会对另一个的优化结果产生影响, 人为将两者划分的方法无法达到整体的最优。因此, 本文采用DG和配电网架协调规划方法, 将两者共同规划、相互协调, 达到全局最优。
国内外学者对DG选址和定容问题进行了很多研究, 但将DG和配电网架进行综合协调规划的文章较少。文献[5]以节省的电能最大为目标函数, 采用图解和遗传算法相结合的计算方法确定DG的最佳位置。文献[6-7]在原有网络负荷值不变的情况下, 采用解析法研究了单台DG的最优安装位置, 以减小系统有功损耗。文献[8]虽然在确定DG位置和容量后考虑了配电网架扩展规划, 但所述模型并不全面, 且求解过程未将网架和DG两者进行协调优化, 对最终规划结果以及算法计算效率都有影响。综合分析目前研究现状, 已有文献未能有效地将DG和配电网架进行协调规划, 目标函数未能全面考虑影响DG和配电网架规划的各类因素, 也未提出相应的高效求解算法。
针对已有研究的不足, 本文提出了考虑DG与配电网架扩展的多目标协调规划模型和求解方法, 能够同时确定DG位置和容量、需改造的线路和新增负荷点接入方案, 并采用IEEE 33节点系统对所提出的模型和方法进行验证。
1 DG和配电网综合协调规划模型
1.1 目标函数
本文综合考虑DG优化配置和配电网规划优化目标, 建立了以年设备投资成本Cinv、系统有功损耗费用Closses、可靠性损失费用Ce及向上级电网购电费用Ctrans这4个指标最小为优化子目标的多目标规划新模型。决策变量为DG接入位置及容量、线路升级改造和新增负荷布点接入位置, 目标函数为:
1) 年设备投资成本
式中:NDG为可以安装DG的节点总数;αi为第i个安装节点上DG的固定投资年平均费用系数;CDGi为第i个安装节点的DG单位容量的投资成本;Pdi为第i个安装节点的DG安装容量;WDGi为第i个安装节点的DG检修、维护费用;Nl为现有支路总数;xj为0-1变量, 0表示第j条拟改造支路未被选中, 1表示被选中;βj表示第j条支路升级改造的固定投资年平均费用系数;Cl j为单位长度线路的投资成本;Lj为第j条支路的长度;Wl j为第j条支路的检修、维护费用;Nnew为线路新建总数;xk为0-1变量, 0表示第k条拟新建支路未被选中, 1表示被选中;γk为第k条新建线路的固定投资年平均费用系数;Cnewk为单位长度线路的投资成本;Lk为第k条新建线路的长度;Wnewk为第k条新建线路的检修、维护费用。
式 (2) 等号右边第1项为折算到每年的DG投资及运行费用;第2项为折算到每年的线路改造投资及运行费用;第3项为折算到每年的新建线路投资及运行费用。
2) 系统网络损耗费用
式中:Nf为网络馈线总数;Piloss为第i条馈线的有功功率损耗;τmax为最大负荷网损时间;Cp为单位网损成本。
3) 可靠性损失费用
式中:np为负荷点个数;ne为故障模式个数;Li为负荷点i的负荷;rj为故障模式j的停运持续时间;Ci (rj) 表示持续时间为rj的故障j造成接在负荷点i的用户损失;λj为故障模式j的平均停运率。本文故障模式主要考虑线路故障和DG故障。
本文按照文献[9]的用户分类, 将用户负荷分为: (1) 居民负荷; (2) 商业负荷; (3) 小工业负荷; (4) 大工业负荷; (5) 政府负荷; (6) 农区负荷; (7) 办公负荷。根据各类用户停电损失数据, 在求出各负荷点的可靠性指标后, 由插值法可得到单位负荷的停运损失Ci (rj) λj。
4) 年购电费用
式中:TLmax为最大负荷利用小时数;PΣL为负荷总量;NP为DG类型数;Tgmaxi为第i类DG最大发电量利用小时数;PΣDGi为接入的第i类DG总容量;Cpu为向输电网购电单位电价;Ctrans为正表示从电网购电, 为负表示向电网售电。
对于不同地理区域、不同类型DG, Tgmaxi取值不同, 可按下式计算:
式中:NT为DG的出力状态总数;PDGk为DG的第k种可能出力;Pr (PDGk) 表示DG出力为PDGk时的概率;PDGmax为DG最大出力;PDGav为DG平均出力;8760为一年统计小时数。
1.2 约束条件
等式约束条件为潮流方程, 不等式约束条件为节点电压上下限、支路功率最大限、DG容量上限、DG安装位置个数限制, 即
式中:V为节点电压幅值向量, Vmax和Vmin为其上下限;Pl j为支路j有功功率, Pl jmax为其最大值;PLi为节点i的负荷;s为DG渗透率;Ωg为DG接入的节点集;ΩL为配电网负荷节点集;MDG为实际接入DG数;MDGmax为允许接入DG的最大位置数量。
1.3 各项目标权重的处理
多目标问题不能用数据大小进行直观比较, 需要转化成单目标函数[10]。判断矩阵法是一种定量和定性相结合的计算权重方法, 既能在一定程度上反映客观情况, 又考虑了不同使用者对各目标的重视程度。本文利用判断矩阵法[11]来实现多目标函数到单目标函数的转化, 则原多目标问题目标函数可转化为:
式中:Cinv′, Closses′, Ce′, Ctrans′分别为目标函数Cinv, Closses, Ce, Ctrans归一化 (即转换到区间[0, 1]) 后的值, 以消除由于各目标函数取值数量级的不同对优化结果的影响。
判断矩阵法的核心是根据各目标之间的等级关系确定判断矩阵, 形成准则如表1所示。
注: (1) 标度2, 4, 6, 8代表上述两相邻判断的中值; (2) 倒数:因素i与因素j比较得判断aij, 则因素j与因素i比较得判断aji=1/aij。
针对本文的优化规划问题, 可将各目标根据重要性划分等级:有功网损直接反映系统经济运行状况, 作为第1等级目标;设备投资成本作为反映当前方案经济性的重要考核指标, 将其作为第2等级目标;可靠性反映系统安全运行状态, 将其作为第3等级目标;将购电成本作为第4等级目标。结合上述分析, 取判断数形成判断矩阵:
经过矩阵处理后, 得到各目标权重向量W=[0.263 3 0.563 9 0.117 9 0.054 9]。
2 DG候选位置的确定
节点众多是配电网与输电网的显著区别之一, 当配电网中DG可选布点太多时, 会导致优化算法计算速度过慢和易产生不可行解的问题。为此, 本文根据DG接入对配电网的影响及配电网负荷分布, 提出一种实用的DG候选位置选取方法。
2.1 DG注入容量限值
在传统辐射形配电网中, 潮流方向从变电站向负荷单向流动, 在DG接入容量超过一定比例后, 将产生反向潮流。将渗透率定义为所研究配电网系统中DG总容量占该配电网系统最大负荷的比率。文献[12]已证明, 当接入高渗透率DG后, 会增加功率流动, 导致高网损。因此, 找出DG注入容量限值, 对最终规划结果至关重要。本文针对IEEE 33节点系统, 在各节点安装不同容量DG, 通过潮流计算获得安装DG后配电系统的网损, 进而分析DG安装容量对网损的影响, 如图1所示。
图1三维图像显示了分别对33个节点接入DG, DG注入容量从0增加至1 500kVA过程中, 系统有功损耗的变化趋势。从图1中可以看出, 随着DG安装容量的增大, 部分节点系统有功损耗在经过最小值后开始增大, 其有功损耗最小点对应的安装容量即为相应节点的DG注入容量极值。通过实际仿真验证, IEEE 33节点系统DG渗透率在30%左右最为合理, 超过该比例就有产生更高网损的风险。
2.2 DG安装候选位置选取
本文从DG接入位置对配电网有功损耗和电压的影响角度考虑, 结合可靠性要求[13]和实际配电网结构, 确定DG候选位置。
为量化DG接入对网损的改善程度[14], 引入系统有功损耗改善率η, 如式 (9) , 其含义为:安装DG后的有功损耗和未安装DG前有功损耗的比值, 其值越小表明DG降损效果越好。
在IEEE 33节点测试系统的不同位置安装DG进行模拟仿真。图2给出了6种渗透率 (5%, 10%, 15%, 20%, 25%, 30%) 下DG接入不同节点后, 得到的系统有功损耗改善率。
在30%渗透率容量范围内, DG接入系统后, 相应曲线走势一致, 但因容量不同改善率有所差异。对比DG接入不同位置对系统总网损的影响程度, 发现改善率较好的安装位置集中在整个网络的中间偏末端, 特别是在长分支线上接入中间偏末端位置后改善效果最佳。中间位置一般为负荷中心点, DG在负荷中心能够有效减少功率流动[15], 从而减小网损;偏末端节点容易电压偏低, DG位于偏末端节点能够有效提升末端电压, 从而降低网损。
选取测试系统中最长分支线进行电压分析, 如图3所示, 在未接入DG情况下, 馈线末端节点17电压已接近0.95 (标幺值) 的安全运行下限, 在负荷高峰将出现电压越限。结合图形分析, DG接入位置越靠近末端节点对馈线电压分布的改善作用越明显;但从减小电压变化率角度考虑, 由于DG越接近系统末端, 对线路电压分布的影响越大, 当DG接入节点17后, 该节点电压高于母线电压1.05。因此, 为保证在退出运行时, 线路末端电压变化不至于过大, DG不宜选择在末端节点接入。
根据上述分析, 结合有功损耗、电压和可靠性指标及配电网负荷分布, 提出一种实用化的DG候选位置选取方法。在实际地形和环境条件允许的情况下, 本文确定DG候选位置步骤如下。
步骤1:将各节点注入功率按系统有功损耗改善率排序, 根据配电网实际情况选取一定比例的改善率较小的节点, 一般取前50%。
步骤2:根据对电压影响的分析, 排除线路末端节点。
步骤3:在步骤2形成的候选位置基础上, 增补可靠性要求高的负荷点。
步骤4:考虑到DG接入对其邻近负荷节点的影响, DG的布局不宜过度集中, 综合比较邻近节点中系统有功损耗改善率, 将邻近节点合并作为一个DG候选位置解空间。
步骤5:对某些没有DG候选位置的分支线路, 根据其负荷大小考虑DG候选位置。由于在负荷中心安装DG有利于实现功率就地平衡, 可有效减少系统首端向负荷中心的功率流动, 因此, 本文采用的方法是计算该分支线路的负荷占总负荷比重, 若该比重超过DG最大安装个数的倒数, 则增加该分支中有功网损改善率最小节点作为DG候选位置。如最终选取的DG候选位置是4个, 那么负荷比重超过25%的分支线路上应至少有1个DG候选位置。
对于IEEE 33节点系统, 最终确定9个DG候选位置:31, 14, 16, 29, 10, 7, 26, 18, 23, 如图4所示。
3 协调规划模型的求解方法
人工智能算法因其具有很强的全局搜索能力, 能处理复杂优化模型等特点, 在配电网规划中得到广泛应用。本文采用精英保留策略遗传算法来求解所提出的协调规划问题。
3.1 染色体编码策略
遗传染色体采用二进制编码, 每条染色体被分成DG、线路改造、新增负荷点3个部分。
1) 染色体第1部分编码:表示接入系统相应节点DG的可能安装容量。在该段编码中, 使用3位二进制数来表示每个候选位置上DG的数量, 即每个位置相应有8种可能容量:当编码为0时表示所在候选位置不接入DG;编码为1~7时表示所在候选位置接入对应数量的DG单元。
2) 染色体第2部分编码:表示相应线路是否需要进行升级改造。该段编码只需使用1位二进制数, 分别对应2种可能性:当编码为0时表示线路i无需升级改造;编码为1时表示对线路i进行升级改造。
3) 染色体第3部分编码:表示连接新增负荷点的待选节点位置。每一个新增负荷点都使用2位二进制数表征, 分别对应4种不同的接入选择位置, 即编码为0~3时表示新增负荷点接入位置。
3.2 综合协调DG和网架扩展的配电网规划流程
DG和配电网综合协调规划步骤如下。
步骤1:输入待规划配电网原始数据。
步骤2:根据原始网络利用前推回代法进行潮流计算, 获得初始网络支路功率和节点电压数据。
步骤3:从DG接入位置对配电网有功损耗和电压的影响角度考虑, 结合可靠性要求和实际电网结构, 确定DG候选位置。
步骤4:对各决策变量进行编码。
步骤5:产生初始化种群, 设置迭代次数G=1。
步骤6:进行潮流计算[16]。
步骤7:计算适应度函数, 对违反约束条件的解个体, 在相应适应度函数后添加罚函数。
步骤8:进行遗传操作, 包括选择、交叉、变异, 产生新种群。
步骤9:进行搜索终止条件判断, 若满足最优个体最少保留代数或者遗传代数G>Gmax, 计算结束, 输出结果;否则, G=G+1, 转至步骤6。
4 算例分析
4.1 算例介绍
按照文中介绍的方法, 对修改后的IEEE 33节点系统进行仿真计算, 算例如图5所示。图中:实线表示已有线路, 且无需进行升级改造;点划线表示可升级改造的线路;虚线为新增负荷接入的待选线路。
以该算例为基础, 进行DG的选址、定容和网架扩展规划。测试线路包括33条母线、32条支路, 系统首端电压12.66kV, 有功负荷3 715kW, 无功负荷2 700kvar。图中, 节点33~38为新增负荷节点, 总容量600kW, 具体负荷大小如表2所示。预计规划水平年原负荷节点新增容量10%, 两者总的新增负荷容量占原负荷容量的26%, 其中, 规划DG最大接入位置数取4。
DG候选安装位置:7, 10, 14, 16, 18, 23, 26, 29, 31;每个候选位置上DG容量选择:30, 60, 90, 120, 150, 180, 210kVA, 功率因数取0.95。
考虑线路原有负载大小及投运年限, 确定需升级改造线路为:5, 6, 7, 16, 18, 19, 20, 21, 22, 23, 24, 25, 31。涉及的相关参考价格如下:用户侧售电电价、向输电网购电电价、可再生能源电价补贴分别为0.609, 0.394, 0.02元/ (kW·h) , DG单位造价为1万元/kW、新建线路单位造价为10万元/km、升级改造线路单位造价为5.5万元/km。
4.2 结果分析
采用本文模型和算法, 对3种情形下的配电网多目标规划进行研究。情形1为不考虑DG的传统配电网规划;情形2为DG和配电网架分阶段规划, 即先对DG进行规划, 完成DG规划后再进行配电网架扩展规划, 其中模型、边界条件及求解方法均与两者协调规划相同;情形3为DG和配电网架扩展协调规划。规划结果如表3所示。
图6给出了第3种情形下DG位置和配电网架扩展优化结果, 其中虚线表示需进行升级改造的线路。对所给算例, 各方案规划结果如表4所示。
万元/a
分析表3中各情形优化结果, 可以发现情形1因未考虑接入DG, 需升级改造的线路数比情形2和情形3增加6条, 说明DG对配电网架改造具有延缓作用;比较情形2和情形3, DG接入位置均位于所在分支线路中间偏末端, 情形3相对情形2渗透率略高, 且2种情形的新增负荷节点位置有所不同。
从表4数据可以看出, 情形2和情形3中除投入DG后增加设备投资成本以外, 其余3项指标都明显优于情形1, 且总成本减小量在20%以上;而对比情形2和情形3, 由于情形3能同时确定DG位置及容量、需改造的线路和接入新增负荷点, 因此获得的配置方案更合理, 情形3比情形2的总成本要节省14.43万元/a。综上, 情形3方案线损最小、购电成本最少、综合成本最小。
5 结语
本文根据有功损耗、电压、可靠性及配电网结构, 提出了一种实用的DG候选位置确定方法。以此为基础, 确立了DG和配电网架多目标协调规划模型和求解方法。算例仿真结果表明:确定DG候选位置能有效提高规划算法效率;DG与配电网架协调规划大大降低了网损费用和购电成本, 有效提升了系统可靠性指标;与DG和配电网架分阶段规划相比, 本文DG与配电网协调规划可以获得具有更高经济效益的规划方案。
摘要：分布式电源 (DG) 接入对配电网损耗、电压及可靠性指标有很大影响。针对当前DG与配电网架分开独立进行规划的问题, 提出一种综合协调两者的规划方法。该方法能够实现DG位置及容量、线路升级改造、新增负荷点接入方案的综合优化, 以设备投资成本、系统有功损耗、停电损失及购电费用4个指标最小为目标函数, 利用判断矩阵获得各目标函数权重, 通过加权将多目标优化转化成单目标优化问题, 采用染色体分段编码方式、精英保留策略遗传算法进行求解。为了避免因DG可选布点太多导致算法计算速度慢的问题, 根据配电网损耗、电压及可靠性指标改善效果, 提出一种实用的确定DG候选位置的方法。算例仿真结果表明, 提出的确定DG候选位置的方法能够有效缩小搜索空间, 提高优化效率;对DG和配电网架进行综合协调规划, 能够有效提升配电网投资的综合经济效益, 获得的建设与改造方案更科学合理。
关键词：分布式电源,扩展规划,选址和定容,多目标优化,精英保留策略遗传算法,分段编码
分布式多目标 篇2
一 快速城市化下的地表水环境问题
近几十年来，伴随经济的高速持续增长，我国的城市化水平也处于快速稳步提高的阶段。在城市化为迅速我们带来丰富的物质和文化财富的同时，城市不断扩张、建设后的各种问题也愈发凸显。其中一些最令人头疼不已的问题就出现在城市的水环境方面。古语云，“水可载舟，亦可覆舟”。这句古代先贤和帝王时常用于告诫众人“以此思危”的至理名言，现如今用于形容当下的城市水环境问题却是再恰当不过。
1、城市化与城市内涝问题的加剧
近些年来，我国大中城市出现了大量的城市内涝事件，经济社会损失十分惨重。与过去几十年间我国大量的由于江河湖水泛滥造成的洪灾事件不同，近年造成巨额经济财产和人员损失的城市内涝事件数量显著上升。2011年6月18日，武汉市遭受强暴雨袭击，市区内多处严重的道路渍水、交通堵塞、房屋倒塌，直接经济损失达数亿元人民币。2012年7月21日至22日，北京及其周边地区遭遇61年来最强暴雨及洪涝灾害，暴雨导致北京市内城区发生内涝灾害，公路、铁路、民航等交通方式均受到不同程度影响。市区范围内多处严重积水、车辆被淹，京港澳高速公路最深处积水深达6米。全市受灾人口160.2万人，死亡61人，因灾造成经济损失116.4亿元。
城市内涝问题加剧的主要原因，除极端暴雨天气的不可控因素外，更重要的问题是城市化过程中的一些问题处理不当。其一是城市排水系统建设滞后。目前我国一些城市排水管网欠账比较多，管道老化，排水标准严重偏低。其二是城市排水过于依赖地下管网，开放地表水体的作用被忽视，河流水面因城市地价因素被盖板或填埋，管网瓶颈效应显现。其三是新建城区的选址受各方面因素影响，迅速向一些地势比较低洼的区域扩展，同时大量挤占可调蓄雨水面积如水塘、河渠等水体，使这些地方尤其容易形成内涝。其三，城市建设的不透水面积如道路、广场、建筑物的比例大增，渗透性面积的大幅减少，造成降水形成径流大量汇集。与此同时，城市内涝问题造成的经济损失，又因为人口的高度聚集和生活及出行方式的改变变得更加敏感。
综上可见，我国快速的城市化进程未能形成对城市提升排水能力的驱动作用。众多的内涝事件暴露了我国城市从规划理念、设计方法、建设模式和运营管理等多个方面存在诸多问题，警醒我们必须在未来的城市化道路上调整思路和发展模式。
2、城市化与城市水环境恶化趋势
水所具有的两面性，还表现在水质方面。洁净的水是生命和健康之源，是经济发展的重要支撑因素。相反，受到污染的水会造成疾病和死亡，环境质量下降，甚至毁坏经济和社会发展的成果，乃至断送一个地方的未来发展之路。当前我国城市地表水污染水平居高不下，也成为城市居民生活质量大打折扣、产业升级受阻的祸源之一。
城市建设水平的提升，一个重要的方面是排污管网和污水处理能力的提高。在许多经济较发达的大型城市，城市污水问题已经得到基本解决。而此时，城市水环境的另一个重要威胁又显现出来，这个挑战同样来自降水。
在降水过程中，城市下垫面上各种污染物受冲刷作用，进入地表径流，使雨水受到不同程度的污染。随后进入城市排水系统，最终排入外部环境水体，使城市地表水环境受到污染。其中一个并不为公众熟知的现象是，一次降水过程中的初期雨水，其污染程度甚至超过城市的生活污水。有学者对北京城区1998～2004年多场降雨产生的屋面和路面径流雨水水质监测数据进行分析，一场降雨产生的径流污染负荷总量平均达化学需氧量280～630吨，悬浮颗粒物440～670吨，总氮近30吨，总磷近8吨，全年每年降雨径流污染物总量化学需氧量和悬浮颗粒物分别可达1.2～2.3万吨和0.9～1.9万吨。这样的污染负荷约相当于65～125万人口每年产生的生活污水携带的污染物总量。这些污染物随地表径流通过雨水管网直接排放到受纳水体，对城市地表水产生严重污染。
可见，在工业污水和生活污水等点源污染基本实现控制的情况下，雨水径流污染对城市环境水体的影响程度愈发凸出。这一问题与前述的城市内涝问题，是当前我国城市的水环境问题集中表现的两个方面，亟待研究并提出应对方案。
二 应对理论和方法原则
1、水敏感城市理论
城市内涝问题和地表水环境质量问题的涌现，并非我国城市化过程中独有。纵观全球城市化发展历程，城市的水环境问题和其他城市环境问题类似，都有一个发展的过程。
澳大利亚学者列贝卡·布朗于2008年综合一系列基于澳大利亚城市水管理（urban water management）的研究和实践，提出水敏感城市的概念，将城市水管理政策演化和服务状态划分为六个阶段，分别是“供水城市”、“排污城市”、“排涝城市”、“河道城市”、“水循环城市”，以及最终实现的“水敏感城市”。该项研究意在帮助城市的水环境管理者们充分理解水务与城市社会发展之间的关联性，从而建立一种确定当前发展容量和阶段性发展目标的框架，为最终全面建立理想的水管理模式而努力（见图1）。
通过理解上述理论，我们可以清晰地认识到，任何一座城市的发展过程中，涉及到水的相关问题，都有一个逐步演进发展的过程。只需对巴黎、伦敦、纽约等世界城市的发展历史略作了解，便能够理解世界上没有一座城市能在一诞生就具备所有能力，水环境相关问题更是如此。
结合水敏感城市理论中所述的各个阶段特征，可以认为我国的许多大城市正处在从“排污城市”向“排涝城市”发展的重要过渡阶段。城市中与雨水有关的灾害现象的持续加剧，以及近年各地城市明确提出提高管理能力的目标，加大城市排涝基础设施建设投资，正是这一总体发展趋势的现实表现。借助水敏感城市理论的阶段论观点，我们可以更加有效地对城市发展中的水环境问题展开分析，在明确相关决策中远期定位的基础上，更合理地研究阶段性的发展目标。
nlc202309030401
2、低影响开发理论
低影响开发（LID，Low Impact Development）是一种场地设计策略，主要体现的是一种场地开发模式，它通过采用分散的、小型的雨水设施对雨水径流进行就地处理和源头控制，其目标是最大程度上减少和降低土地开发对周围生态环境的影响，建造出一个具有良好水文功能的场地。为了控制雨水径流污染，基于LID原理的分散式地表排水系统越来越得到关注，以期在源头和传输过程中对径流污染进行控制和处理。
2013年3月25日国务院办公厅发布的《关于做好城市排水防涝设施建设工作的通知》中也强调积极推行低影响开发建设模式，指出在城区建设时要与园林绿地、道路建设统筹协调，因地制宜配套建设雨水滞留、渗蓄等设施，增加植草沟、人工湿地、下凹绿地、可渗透路面等等雨水分散处理设施的使用。
如上所述，LID有很多相应的控制措施，如果能将不同措施组合的设计规模和能达到的处理效果进行量化和评估，将对场地开发的规划阶段和开发实践阶段具有实际指导意义。
三 城市水环境控制的空间规划设计模式
水敏感城市理论清楚的为我们指明了一个方向，即开放式的排水体系是城市排涝的一种重要模式，是对相对集中管理的地下排水管网的积极补充；尤其是在我国年内雨量分配不均的前提下，城市建设尤其容易忽略开放空间和开放水体，理解水敏感城市中的阶段理论有助于建立对城市水环境控制的这一全局性判断。于此同时，LID理论为我们澄清了雨水径流的污染问题应如何通过分散式的处理模式得到解决。因此，我们探索的聚焦点就在于，如何能够将开放空间规划与分散式的雨洪管理过程有机结合起来。
1、以城市绿地作为雨洪管理与空间规划的结合点
为了应对雨洪控制相关问题，许多发达国家已经形成了比较成熟的理论技术体系，但是目前仍然面临的情况是，我们对雨水径流污染控制措施缺乏一些空间规划层面的系统性设计方法，导致低影响开发（LID）理念在空间规划中得不到充分体现。也就是说，应该将城市降雨径流管理与城市规划、排水系统规划以及景观规划密切地相互结合起来。
城市绿地系统作为城市生态环境的重要组成部分，有着诸多效益。尽管我国城市对绿地系统建设已经十分关注，但是在城市绿地规划、设计和建设中，对绿地在水文循环中的作用却重视不足。事实上，城市绿地既可以是一种雨水收集面，又可以作为雨水净化和渗透的主要设施之一。尽管已有很多学者对绿地系统通过渗蓄和过滤过程，对雨水径流的控制和处理作用进行过研究，实际工程应用却仍比较少见。
同时，大部分的城市规划和设计人员尚未建立起将绿地系统与水文学过程联系起来的基本观点。如果能够建立起一套更具实践指导意义的方法和模式，供规划设计人员参考和使用，必将更有助于绿地系统充分发挥其对雨水径流的控制和处理作用。
2、城市绿地分布式排水系统模式的提出
城市绿地是城市用地的重要组成部分，它不仅自己产生自身径流，还承接来自其它用地硬化地表或者建筑屋面产生的径流。地表径流可以通过各种下凹式绿地结构，被滞蓄、引导以及处理，从而最大程度缓解地表径流造成洪涝和污染问题。
常用的控制措施有透水路面、下凹绿地、植草沟，雨水花园、雨水塘、人工湿地等，其中各种措施可以根据现场条件进行不同组合应用于不同的控制环节，以达到更好的控制效果。植草沟和人工湿地是径流污染控制措施中应用最为广泛的两种，如植草沟技术既可以应用在源头，收集和过滤汇水面上的径流雨水，也可以应用在污染物传输途中，代替传统的排水管网，人工湿地既可用在径流输送途中，也可以作为末端处理措施利用径流雨水营造水体景观。
在此，我们提出城市绿地分布式排水系统的概念，它可以由城市和小区绿地系统中的植草沟、滞蓄塘和人工湿地等组成。系统中各措施可根据场地地形布置，如植草沟与绿化带结合，坡度尽量与地形坡度一致，滞蓄塘利用原有的水池或设在低洼处等。系统运行方式如下：首先建筑屋面及地表产生的径流由植草沟收集到小区内景观渠道，然后传输至滞蓄塘，经滞蓄塘沉淀后进入人工湿地，最后处理后的地表径流由湿地排放到附近的河流或市政干管。无雨期可将附近河水部分引入湿地或用再生水补给湿地，维持湿地正常运行（见图2）。
（1）小区植草沟系统
植草沟是指种植植被的景观性地表沟渠排水系统。地表径流以较低流速经植草沟持留、植物过滤和渗透，使雨水径流中的多数悬浮颗粒污染物和部分溶解态污染物有效去除。在完成输送功能的同时达到雨水的收集与净化处理作用。植草沟可以设在小区内、停车场附近、公路边或其他开放空间，取代传统的排水管道，由于植草沟中的污染物可见，可有效避免管道错接和混接问题。植草沟可以有效地减少悬浮固体颗粒有机污染物及TN、TP。植草沟常见的断面形式有梯形、抛物线形和三角形。其中梯形和抛物线形断面植草沟适用于用地紧张地段，三角形断面植草沟占地面积较大，视觉效果最好。
（2）片区滞蓄塘系统
城市可以通过结合片区公园绿地，建立雨水滞蓄塘。滞蓄塘可分为干式塘和湿式塘。可以干塘为基础，估算不同大小汇水面积为滞蓄一定重现期下的径流量所需的滞蓄塘体积或占地面积。一定宽度和长度的植草沟可以服务一定规模的汇水面积，该汇水面产生的径流量即所需的滞蓄塘体积。进一步的可以根据滞蓄塘的合理水深，推算其占地面积，从而明确其在规划中的占地大小。滞蓄塘应设置在片区较为低洼的地段中。
（3）公园人工湿地系统
滞蓄塘为了达到一定的水质处理效果，需要一定的水力停留时间，随后应进一步输送到城市公园中的人工湿地进行深度处理。人工湿地是一种高效的控制地表径流污染的措施，不仅投资低、处理效果好，更重要的是能够和景观、地表水系结合，达到水质控制目的的同时实现雨水的综合利用。在人工湿地的应用中塘和湿地的组合应用最为常见，塘不仅起到储存，调节湿地进水量的作用，还有很好的污染物去除效果。四结论
根据目前的阶段性研究，合理布置的城市绿地分布式排水系统可以成为传统的排水管网的积极补充，其本身的容量足以满足小重现期降雨事件条件下的排水要求；城市绿地分布式排水系统占地面积不大，若场地综合径流系数为0.6，重现期为3年时，由宽为1米的植草沟组成的绿地分布式排水系统占地面积约6%左右，远远小于城市绿化率30%左右的要求，因此该系统在理论上是可以结合绿地系统，在不影响绿地系统景观要求的情况下，实现对径流水质的控制；另外，经过该系统收集处理后的小区内径流雨水基本满足《城市污水再生利用景观环境用水水质标准》和《城镇污水处理厂污染物排放标准》的一级A标准。
综上可见，城市绿地分布式排水系统的提出，有助于消除当前城市空间规划和设计方面存在的盲区，将城市的开放空间规划与雨洪管理的众多问题结合起来，为我们应对城市雨洪灾害和地表水环境污染问题提供一种新的解决方案。
分布式多目标 篇3
关键词：分布式电源,多目标纵横交叉算法,虚拟适应度实验,pareto前沿
分布式电源[1] (Distributed Generation, DG) 作为智能电网的重要组成部分, 其接入电网节点位置和容量的不同, 对系统的线路潮流、节点电压、短路电流和电网的运行可靠性都有不同程度的影响[2,3]。因此, 对DG合理规划尤为重要。DG规划就是考虑在满足系统约束和要求的前提下, 选定合理的分布式电源接入位置和接入容量。
国内外学者对DG规划进行了较多的研究, 文献[4]建立以规划有功网损为目标的单目标优化模型, 提出利用进算法进行分布式电源规划的方法。文献[5]以有功网损、电压稳定裕度以及投资和运行成本为目标, 对各个目标进行系数分配, 建立综合各目标的DG规划数学模型。文献[6]建立了有功损耗、电压稳定裕度以及投资和运行成本的多目标DG规划模型, 利用小生境多目标遗传算法进行分布式电源优化配置, 得到的结果准确、合理, 但是遗传算法的全局搜索能力较弱、易陷入局部最优。文献[7]提出在普通免疫算法建立三个子种群分别进行免疫计算的多种群免疫算法, 并将该方法应用于多目标DG规划, 比普通算法具有更好的寻优能力。文献[8]以考虑分布式电源售电费用与运行维护费用为规划模型, 采用人工蜂群算法进行模型求解, 验证建立的模型的有效性以及所采用算法的收敛性。文献[9]利用机会约束规划法建立了计及环境成本、DG总费用和有功损耗的多目标分布式电源优化配置模型, 并提出一种考虑随机变量相关性的拉丁超立方采样蒙特卡洛模拟嵌入纵横交叉算法的方法对优化模型进行求解。但是该文献对各目标函数通过加权系数方式转化为单目标形式, 虽考虑了多目标情况, 但实为单目标优化。
针对上述DG规划方法存在的缺陷, 本文建立基于配电网系统网损、电压稳定裕度以及分布式电源投资和运行成本为目标的多目标分布式电源规划模型, 同时提出一种全新的多目标纵横交叉算法, 并利用该方法对所建立的模型进行求解, 以验证该模型的有效性和算法的可行性。
1 分布式电源优化配置模型
1.1 目标函数
分布式电源接入位置和容量的合理配置能够有效保证电力系统的可靠性。为了兼顾经济效益, 本文建立了以有功网损、分布式电源投资、运行费用以及电压稳定裕度为目标的多目标分布式电源配置优化模型。
1.1.1 分布式电源投资和运行成本目标函数
分布式电源配置分为投资成本和运行成本, 其方程为
式中:C为分布式电源投资和运行成本总和;NDG为加入分布式电源的节点数目;PDGi为i节点接入的分布式电源容量;Xi为i节点分布式电源接入状态, 当Xi=0时, 表示i节点不接分布式电源, 当Xi=1时, 表示接分布式电源;r为分布式电源贴现率;n为使用年限;C1为投资成本系数;C2为运行成本系数。
1.1.2 网络损耗目标函数
网络损耗主要为有功网损, 公式为
式中:Ploss为系统的有功网损;i, j分别为支路的首节点和末节点;NL为系统的支路数;Gk (i、j) 为支路k (支路k的首节点和末节点分别为i、j) 的电导;Ui、Uj为i、j节点的节点电压;δij为i、j节点电压间的相角差。
1.1.3 电压稳定裕度目标函数
式中:ΔU为电压稳定裕度, Nd为负荷节点数, Ui、Ue、Up分别表示节点i的节点电压、期望电压和最大允许电压偏差。
1.2 约束条件
功率平衡约束为
式中:Pi、Qi为节点i注入的有功功率和无功功率;Vi、Vj为节点i、j的电压幅值;Gij、Bij分别为节点i、j之间的电导、电纳。
节点电压约束为
式中:Vimin、Vimax分别为i节点最小允许电压和最大允许电压。
线路电流约束为
式中:IL、ILmax分别为支路L的传输电流和最大允许传输电流。
线路传输功率约束为
式中:PL、PLmax分别为支路L的传输功率和极限传输功率。
分布式电源安装节点约束为
式中:Xi为i节点分布式电源接入状态, D为最大安装节点数。
分布式电源安装容量约束为
式中:PDGmax为系统分布式电源最大安装容量。
2基于多目标纵横交叉算法的分布式电源规划
2.1 纵横交叉算法
纵横交叉算法[10,11] (Crisscross optimal algorithm, CSO) 是受孔子儒家中庸思想和遗传算法的交叉操作启发而提出的一种群智能优化算法, 该算法采用一种双向搜索机制交替对解空间进行开发。横向交叉将粒子种群拆分成一半大小的超立方体空间, 每对配对父代粒子只在各自的超立方体子空间及其外缘繁殖后代;纵向交叉通过在种群纵向维度之间进行概率性交叉。将两种搜索机制交叉后形成的折中解通过竞争算子更新获得的占优解会发生链式效应很快传递给种群其他粒子, 大大提高收敛效率。
2.1.1 横向交叉
式中:c1、c2为[-1, 1]上的随机数;r1、r2为[0, 1]上的随机数;X (i, d) 、X (j, d) 分别是父代粒子X (i) 、X (j) 的第d维变量;Mhc (i, d) 、Mhc (j, d) 分别是X (i, d) 、X (j, d) 经横向交叉产生的第d维子代。
2.1.2 纵向交叉
纵向交叉是在种群个体粒子内部不同维度之间进行信息交叉的搜索机制。假设X (i, d1) 、X (i, d2) 分别表示父代个体粒子X (i) 的第d1、d2维目标的信息, 则交叉公式为
式中:r∈U (0, 1) , Mvc (i, d1) 是个体粒子X (i) 的第d1维和第d2维通过纵向交叉产生的第d1维后代。
2.2 多目标纵横交叉算法
鉴于纵横交叉算法在处理单目标优化问题具有的优异性能, 本文将纵横交叉算法与多目标理论进行结合, 提出多目标纵横交叉算法 (MultiObjective Crisscross Optimal Algorithm, MO-CSO) 。该算法采用横向、纵向交叉搜索机制对种群解信息进行开发, 并引入pareto[6]、精英保留策略[12], 非支配排序[13]等多目标优化策略, 使种群粒子保持多样性, 并引导粒子向pareto全局最优方向进化。
2.2.1 帕累托占优原则
在处理优化问题时, 个体粒子的适应度选择能够衡量粒子优劣, 决定算法的搜索方向。在多目标优化时, 各个目标相互约束, 相互冲突, 一个目标优化可能会导致另一个或多个目标劣化。因此并不存在多目标最优的唯一解, 而是一组解集。为此引入帕累托占优[14]概念。
对于决策变量a、b, fi (a) ≤fi (b) , ∀i=1, 2, …, m且fi (a) <fi (b) , ∃i=1, 2, …, m时, 称决策变量a支配b (a<b) , 其中, m为目标个数。
把pareto占优得出的这组解称为pareto非劣解, 非劣解所组成的平面称为pareto前沿。
2.2.2 精英保留策略
原始CSO算法优化更新的子代粒子和父代粒子是一对一关系, 虽然从整体上子代粒子适应度优于对应的父代粒子, 但由于缺乏对父代粒子和子代中所有粒子进行综合比较, 容易遗漏父代种群中的优秀粒子。精英保留策略为更新后的所有子代粒子和所有父代粒子提供公平竞争选择的途径。
1) 将种群大小为POP的父代种群Xf与其子代种群Xs结合形成种群规模2N的混合种群Xh, 对混合种群Xh进行非支配排序。
2) 为了保证非劣解的质量, 受小生境[15]的启发, 引入拥挤距离D, 计算混合种群中每个个体粒子的拥挤距离, 按照拥挤距离由等级的高低进行排序选取, 直到选取的粒子数目为N, 此时形成的种群作为新的父代种群。拥挤距离的计算方法为
式中:D (i) 、D (i, d) 分别为粒子X (i) 的拥挤距离和在目标d上的拥挤距离;S+ (i, d) 、S- (i, d) 分别为粒子X (i) 在目标d上的前后相邻值;Smax (:, d) 、Smin (:, d) 为所有种群粒子在目标d上的最大值和最小值。
2.2.3 最优折中解
采用了模糊决策理论对pareto最优前沿中的非劣解进行选择。利用隶属度函数评价优化后目标的满意度。对于pareto前沿解集中的非劣解X (i) , 模糊隶属度函数表示为
式中:Objmax (:, j) 、Objmin (:, j) 为pareto前沿解集中j目标的最大值和最小值, Obj (i, j) 为非劣解X (i) 的j目标函数值。
其中, 当FDM (i, j) =0时, 表示对非劣解X (i) 的j目标不满意;当FDM (i, j) =1时, 表示对非劣解X (i) 的j目标非常满意。对各个目标满意度进行归一化处理, 获得对非劣解X (i) 的综合满意度评价, 归一化公式为
其中满意度最大的非劣解即为所求的最优折中解。
3基于多目标纵横交叉算法的分布式电源规划
3.1 混合编码
分布式电源规划包括分布式电源接入位置规化和接入容量规化两个部分, 因此可将每个粒子看作是这两个变量信息的集合。采用对分布式电源接入位置和接入容量进行混合整数编码, 编码过程如下:
式中:an表示节点n位置的分布式电源安装状态, 当an=1时, 表示节点n安装分布式电源, 当an=1表示不安装;bn表示分布式电源在节点n位置的安装容量。
3.2 算法步骤
1) 设置参数。种群大小N, 分布式电源接入数目n, 目标函数数目M, 最大迭代次数Maxgen, 横向、纵向交叉率Phc、Pvc等。
2) 初始化。随机生成N组可行解作为初始种群Xf。
3) 将初始种群Xf中粒子分别代入到前推回代法中进行潮流计算, 并计算目标函数值。
4) 用纵横交叉算法更新粒子, 产生子代Xhc, 并将子代粒子进行潮流计算并计算对应粒子目标值。
5) 对父代粒子Xf进行归一化处理, 用纵向交叉算法更新粒子, 再反归一化, 产生子代Xvc, 并将子代粒子进行潮流计算并计算对应粒子目标值。
6) 将横向交叉子代粒子Xhc、纵向交叉的子代粒子Xvc以及其父代种群Xf结合形成种群规模为3N大小的混合种群。
7) 对组合后的混合种群进行非支配排序, 并按照拥挤距离大小选择前N个粒子作为新的父代种群Xf。
8) 判断是否满足终止条件。否, 回到步骤3) ;是, 输出pareto解集, 结束。
程序流程如图1所示。
4 算例
4.1 算例描述
应用IEEE 33系统作为算例进行分布式电源配置优化分析, 以验证本文提出的算法和模型的可行性。并将MO-CSO算法优化结果与NSGA-II优化结果进行比较。系统结构拓扑图如图2所示。该系统总有功负荷为3715 k W, 总无功负荷为2300 kvar。当未接入分布式电源时, 系统的有功网损为202.7 k W, 基准功率为10 MW, 基准电压为12.66 k V, 期望电压Ue为1 p.u., 允许电压偏差Up为0.05 p.u.。将接入的分布式电源作PQ节点处理, 功率因数取0.9。一般接入分布式电源的最大容量不超过系统负荷的20%, 本文设置接入最大容量为740 k W, 最大接入分布式电源个数为4个, Pr为10 k W。CSO算法参数设置:粒子种群大小为200, 最大迭代次数为300, 横向交叉率Phc取1, 纵向交叉率Pvc取0.8, 分布式电源投资成本C1为1200元/k W, 运行成本C2为1800元/k W, 贴现率r为0.1, 规划年限为20 a。
4.2 算例结果
进化300代时的Pareto最优解集如图3所示。从图3可以很直观地看出, 本文算法能很好地逼近Pareto最优解集, 且优化后Pareto解集中各个目标之间存在相互约束、相互冲突的关系, 但解集中并不存在有功网损、投资运行成本和电压稳定裕度3个目标函数值同时达到最优的情况。因此, 在实际应用过程中决策者可以根据规划需要, 从Pareto解集中选择自己想要的结果。
将规划后的节点电压与未接分布式电源时的原始节点电压进行对比分析, 各节点电压如图4所示。
从图4可以看到, 优化后的节点最小电压为0.9410 p.u., 平均电压为0.9714 p.u., 优化后的节点电压对比未加分布式电源的节点电压得到了明显的提高, 系统整体的电压水平得到了明显的改善。
为了验证本文算法的有效性及优越性, 使用NSGA-II和MO-CSO分别对该系统进行实验仿真, 每个算法仿真10次, 其中10次仿真中MO-CSO平均耗时136 s, NSGA-II平均耗时162 s, 在收敛速度上MO-CSO表现了较好的性能。
为避免算法的偶然性, 这里选择10次实验中比较平稳的结果进行统计, 各算法优化后的pareto前沿中各目标值的范围和最优折中解如表1所示, 最优规划方案如表2所示。
对比表1、表2数据可以看出:MO-CSO在有功网损、投资和运行成本以及电压稳定裕度的取值范围更加广泛、pareto最优前沿的维度更大, 能为决者提供更多的选择空间;本文算法得到的解准确、合理, 比NSGA-II算法优化得到的结果网损更小、费用更少, 电压的稳定裕度更好, 充分体现了MO-CSO在分布式电源规划中的优越性。
5 结论
分布式多目标 篇4
随着人们环境意识的增强, 分布式发电 (DG-distributed generation) 得到了越来越多的重视与应用, 由小容量分布式电源形成的微电网研究则更加令人关注[1~3]。这类微电网中的分布式电源主要包括风力发电机、太阳能光伏电池、燃料电池、微型燃气轮机等, 而不同种类的分布式电源又有着不同的运行特性。在确保微电网正常运行时, 如何对这些分布式电源进行合理的管理, 以保证微电网在不同时段都能满足负荷的电能质量要求并且获得最理想的经济效益, 是研究微电网技术的关键问题之一。
本文针对分布式电源的运行特性, 将不同类型的电源区别对待, 以达到整个微电网的最优化运行。由于分布式电源的功率输出并不像传统电网中的发电机那样稳定, 这对优化算法的实时性要求就比较高, 常规的优化算法很难在优化结果和计算速度之间取得一个较好的平衡点。本文采用改进的多目标免疫算法, 它吸收了NSGA-II算法[4]的优势并与基于小生境进化[5~8]的免疫算法相结合, 即基于小生境进化的多目标免疫算法。它利用了小生境技术防止早熟、提高搜索速度和精度的优点, 通过不断度量抗体之间的相似性来限制相似抗体的数量, 维持了种群的多样性, 能够快速、准确地完成多目标优化。经过多次算例验证此方法在微电网能量优化管理方面有一定的先进性, 特别是多目标优化方面。
1 微电网优化问题的描述
1.1 优化的目标函数
微电网能量管理的优化问题一般包括技术目标和经济目标。其中技术目标主要反应在电能质量方面, 包括各负荷节点的电压水平最好, 即电压偏差最小, 而经济目标则包括系统的网损最小, 微电网中分布式电源的运行效率最高。因此, 最优能量管理的目标函数表达式为
式中:∆V为电压偏差;∆SL为系统网损;E为分布式电源的运行效率。
电压偏差的目标函数就是将各节点的电压偏移总和最小化, 其表达式为
式中:n为微电网的节点数;Vi为节点i的电压, ∆Vi为节点i的电压偏差量, 标幺化以后, 则∆Vi=Vi-1;δVi为节点i允许的最大电压偏差量;设x为电压偏差超越允许的最大电压偏差量, 则函数Φ (x) 可以表示为
我国低压电网电压偏差的允许范围为-10%~+7%, 本文取电压偏差为-5%~+5%, 当电压偏差在这个范围内时认为电压合格。网损优化的目标就是通过控制微电网的潮流使系统的有功、无功损耗最小化, 其表达式为
其中:n为系统支路数;|∆PL|、|∆QL|为线路上的有功、无功损耗。
运行效率的目标函数就是使微电网中分布式电源获得最好的经济效益, 在保证电压合格的前提下, 尽可能地提高分布式电源的功率因数。在不考虑无功补偿的情况下, 通过改变换流器的控制参数实现分布式电源有功Pdgi和无功Qdgi的独立控制, 为了使分布式电源的功率因数达到最大, 可以取目标函数为
式中:N为分布式电源的个数。
因此, 在微电网正常运行时, 不考虑分布式电源的暂态特性, 能量管理优化的总目标函数为
1.2 约束条件
微电网能量管理优化的约束条件主要有变量约束和潮流约束, 其中变量约束分为:每个分布式电源输出的有功功率约束, 补偿电容器的无功容量约束, 以及各节点的运行电压约束。其不等式表示如下
式中:Pkmin、Pkmax、Qkmin、Qkmax分别为节点k上分布式电源和电容器注入的有功功率和无功功率的最小、最大值;Vjmin、Vjmax表示节点j运行电压的最小、最大值。
上述变量约束条件都必须满足潮流方程的约束, 潮流约束如下
式中:n为系统节点数, i=1, 2, , n, Gij、Bij和θij分别为节点i和节点j之间的导纳和相角差;j∈i表示与节点i相连的节点。
1.3 最优解的确定
在进行多目标优化时, 很难使所有目标同时达到最优, 于是解决这类问题的手段通常就是在各个目标之间进行协调和折衷, 使目标函数尽可能达到最优。基于权重系数的多目标优化算法是求解这类问题最直接有效的方法, 但权重系数的确定比较困难;基于Pareto可行解形成的Pareto非支配边界有效解决了这一问题, 但是计算时间较长, 很难满足微电网能量实时管理的要求。
本文在Pareto非支配解的思想上对基于权重系数的优化算法进行改进, 通过一定的方向改变权重系数iW来获得一组在不同权重下的最优解iF。在确定了一个目标范围 (如网损小于某一定值且功率因数大于某一定值) 以后, 搜索满足这一范围内的最优解。若存在这样一个最优解, 就将它作为此次优化的最优解输出;若不存在, 则通过与这一目标范围最近的两个最优解进行插值运算, 获得满足要求的权重系数, 将多目标化为单目标再通过优化算法计算得到最优解。
2 小生境进化的多目标免疫算法
2.1 小生境进化多目标免疫算法的描述
生物中的小生境是指特定环境下的一种生存环境, 生物在其进化过程中, 一般总与自己相同的物种生活在一起, 生活在一个特定的地理区域中[9]。小生境进化多目标免疫算法基于免疫应答原理, 其主要思想是将求解问题的多目标函数对应入侵免疫系统的抗原, 多目标函数的可行解对应免疫系统产生的抗体, 用抗体和抗原亲和力 (适应度) 来描述可行解和最优解的逼近程度[10]。小生境内抗体的数量是固定的, 它通过更高适应度抗体的不断加入和最低适应度抗体的逐步淘汰完成其进化过程。通过引入小生境方法来增强群体多样性及保存优良抗体, 提高搜索能力。
2.2 抗体的亲和力
在优化过程中, 抗体的多样性是免疫算法一个非常重要的指标, 如果某些抗体的亲和力相同, 将会影响优化的搜索效率[11]。抗体的亲和力主要包括两个方面:抗体之间的亲和力, 即相似性;抗体和抗原的亲和力, 即适应度。
抗体的相似性可以通过抗体之间的欧氏距离来描述, 记第i个抗体为Xi, 第j个抗体为Xj, 则‖Xi-Xj‖为Xi与Xj之间的欧氏距离。抗体对抗原的适应度可由式 (6) 目标函数的倒数来表示, 抗体的目标函数值越小表明它越接近最优解, 适应度就越高。对于距离小于某一定值L的抗体, 比较两者适应度A (Xi) 和A (Xj) 的大小, 如果A (Xi) >A (Xj) , 则对A (Xj) 施加一个较强的惩罚函数, 使其适应度变得极小, 在以后的进化中Xj会以极大的概率被淘汰。
2.3 小生境进化多目标免疫算法流程
本文微电网能量管理多目标优化的改进免疫算法的求解流程如图1所示。
3 算例
本文通过对一个简单微电网中的多个分布式电源进行能量管理, 实现能量的优化分配, 微电网结构如图2所示。
图中DG1为光伏电池, 采用最大功率跟踪模式, 不在优化算法的范围之内, DG2为蓄电池组, DG3为燃料电池, DG4为微型燃气轮机, 都是可控电源, 也是优化算法的主要控制对象。考虑到配电网辐射状的网络结构和低压线路参数的特点, 取线路电阻R=0.64Ω/km, 线路电抗X=0.1Ω/km。分布式电源和负载的一组参数列于表1。
节点1连接配电网, 潮流计算时看作松弛节点, 同时取它的电压作为微电网的参考电压, 标幺化以后为1∠0°。
本算例在保证电压合格的前提下, 以网损最小和分布式电源运行效率最高为优化目标, 采用小生境进化的多目标免疫算法进行寻优, 算法的终止条件为两代抗体之间的最大适应度误差小于定值 (10-5) , 最大迭代次数为20, 结果示于图3。为了更好地表现各个目标之间的关系, 将对应的有功、无功网损加权平均化并取功率因数的倒数形式, 图中不同权重的一组解形成一条凸向原点的曲线。左边部分的解表明系统运行的功率因数较高但网损较大, 而右边部分的解则正好与之相反, 这就给了控制系统一定的灵活性, 根据不同的偏好可以选择不同的运行点。实际操作中可以预先确定一个优化的目标范围, 这里取为网损小于1.13 kVA且功率因数大于0.99, 在图中表示为虚线与坐标轴围成的区域。由于在这一目标范围内不存在计算得到的最优解, 需要对A、B两个解进行插值运算获得符合要求的权重, 再通过所得的权重重新计算得到最终的最优解, 如图中的∆所示。
表2列出了一组不同权重下的最优解, 从表中可以看出, 在保证电压合格的前提下, 系统的网损和功率因数是一对相互矛盾的目标。要减少网损必须以降低功率因数为代价, 这就使得决策者可以根据不同的侧重目标选择最终的最优解, 即在实际运行中, 根据预期目标选择一个最优解。表3给出了本文的算法在满足网损小于1.13 kVA且功率因数大于0.99的条件下与NSGA-II算法结果的比较, 其中NSGA-II算法取迭代20代的解。计算结果表明, 通过本文算法计算得到的解在使系统网损达到最小的同时功率因数高于NSGA-II算法, 而且两种算法的各节点电压都在规定范围之内, 负荷节点的电压都分布在额定值附近。由于本文的算法具有收敛速度快、计算步骤少等优点, 使得其整体计算时间较短, 可以满足微电网能量优化管理实时性的需求。
4 结论
应用小生境进化免疫算法对微电网能量管理进行优化, 解决了分布式电源的协调控制问题。与NSGA-II的比较结果表明, 该算法以其抗体多样性、小生境技术以及记忆功能等特点, 使得整个微电网在每个分布式电源可调节范围内达到最优运行。当系统状态发生变化时, 算法会立刻计算出新的结果, 并通过能量管理系统重新整定, 经过一个短暂的过程系统将稳定在新的运行点上。当涉及微电网与电力市场相结合等复杂情况时, 本文所提出的多目标免疫算法将具有更大的优越性。
摘要：在详细分析了分布式电源特性和优化目标数学模型的基础上, 针对微电网中分布式电源出力的优化管理, 提出了一种基于小生境进化的多目标免疫算法。该算法将优化的多目标函数作为抗原, 优化问题的可行解作为抗体, 构造多个小生境以增强抗体种群的多样性并保存优良抗体。在小生境进化过程中, 依据抗体对抗原的适应度以及抗体之间的亲和力对可行解进行评价和选择, 反复通过选择、交叉、变异等操作完成对最优解的搜索。应用此算法对一个微电网的多个分布式电源进行能量管理, 通过与其他优化算法的比较证明了该算法的有效性。
关键词：微电网,分布式发电,能量管理,免疫算法,小生境
参考文献
[1]王成山, 肖朝霞, 王守相.微网综合控制与分析[J].电力系统自动化, 2008, 32 (7) :98-103.WANG Cheng-shan, XIAO Zhao-xia, WANG Shou-xiang.Synthetical Control and Analysis of Microgrid[J].Automation of Electric Power Systems, 2008, 32 (7) :98-103.
[2]Laaksonen H, Saari P, Komulainen R.Voltage and Frequency Control of Inverter Based Weak LV Network Microgrid[A].in:International Conference on Future Power Systems, 2005[C].2005.
[3]Katiraei F, Iravani M R.Power Management Strategies for a Microgrid with Multiple Distributed Generation Units[J].IEEE Trans on Power Systems, 2006, 21 (4) :1821-1831.
[4]冯士刚, 艾芊, 王伟, 等.基于伪并行NSGA-Ⅱ算法的火电站多目标负荷调度[J].上海交通大学学报, 2008, 42 (3) :421-425.FENG Shi-gang, AI Qian, WANG Wei, et al.Multi-objective Load Dispatch of Power Plant Based on Pseudo-parallel NSGA-II Algorithm[J].Journal of Shanghai Jiaotong University, 2008, 42 (3) :421-425.
[5]张敬平, 梁志瑞, 苏海锋, 等.基于改进排挤小生境遗传算法配网无功优化研究[J].继电器, 2007, 35 (10) :19-22.ZHANG Jing-ping, LIANG Zhi-rui, SU Hai-feng, et al.Research on Reactive Power Optimization of Distribution Network Based on the Improved Crowding Niche Genetic Algorithm[J].Relay, 2007, 35 (10) :19-22.
[6]向铁元, 周青山, 李富鹏, 等.小生境遗传算法在无功优化中的应用研究[J].中国电机工程学报, 2005, 25 (17) :48-51.XIANG Tie-yuan, ZHOU Qing-shan, LI Fu-peng, et al.Research on Niche Genetic Algorithm for Reactive Power Optimization[J].Proceedings of the CSEE, 2005, 25 (17) :48-51.
[7]赵亮, 雎刚, 吕剑虹.一种改进的遗传多目标优化算法及其应用[J].中国电机工程学报, 2008, 28 (2) :96-102.ZHAO Liang, JU Gang, LüJian-hong.An Improved Genetic Algorithm in Multi-objective Optimization and Its Application[J].Proceedings of the CSEE, 2008, 28 (2) :96-102.
[8]郝晓丽, 谢克明.基于小生境技术和聚类分析的人工免疫算法[J].计算机科学, 2007, 34 (9) :135-138.HAO Xiao-li, XIE Ke-ming.Artificial Immune Algorithm Based on Niche Technology and Cluster Analysis[J].Computer Science, 2007, 34 (9) :135-138.
[9]王艳松, 陈国明, 张加胜, 等.基于小生境遗传算法的配电网开关优化配置[J].电工技术学报, 2006, 21 (5) :82-86.WANG Yan-song, CHEN Guo-ming, ZHANG Jia-sheng, et al.Optimal Switching Device Placement Based on Niche Genetic Algorithm in Distribution Networks[J].Transactions of China Electrotechnical Society, 2006, 21 (5) :82-86.
[10]李蔚, 刘长东, 盛德仁, 等.基于免疫算法的机组负荷优化分配研究[J].中国电机工程学报, 2004, 24 (7) :241-245.LI Wei, LIU Chang-dong, SHENG De-ren, et al.Research on Optimization of Unit Commitment Based on Immune Algorithm[J].Proceedings of the CSEE, 2004, 24 (7) :241-245.
分布式多目标 篇5
当今, 分布式电源在配电网得到广泛的运用, 快速的发展。DG有利于减少用户的电能花费, 缓解电网的拥堵, 在负荷集中点安装环保能源, 可以提高电压稳定性, 减小网络损耗, 缓解储备容量［1］。DGs一般指发电量在1 k W到50 MW之间, 安装在负荷集中区的发电电源［2］。
近年来, 国内外的大量的学者在这方面做了大量的研究。Sudipta Ghosh等采用牛顿拉夫逊求解网损和花费最小的DGs的位置, 获得最大的经济效益［2］。Luis F等采用多期交流优化潮流求解能耗最小的确定DG位置［3］。Isrsfil Hussain和Anjan采用DE方法以网损最小进行选址定容［4］。M. F. Alhajri等采用FSQP方法以网损最小进行选容［5］。但是对于多目标选址定容, 依然不能综合考虑优化。
内点法已被证明是解决非线性规划的一种强有力工具［6］, 表现出极好的收敛性和较高的精度［7-10］, 在电力系统领域上得到了广泛的应用［11-13］, 但在解决有离散问题上存在不足。在解决多目标问题上, 基于Pareto最优意义的协调各目标函数之间的关系［14］; 采用模糊理论适合描述不确定性及处理不同量纲及互相矛盾的多目标优化问题［15］, 把多目标函数转换成单目标函数, 通过模糊选择控制［16］实行。这些处理方法和人工智能算法具有很好的结合性, 对于内点法不能很好的实现。基于此, 论文从另一个角度考虑分布式电源的选址定容, 充分利用内点法收敛性好, 精度高等优势。
1 多目标模型
1. 1 目标函数
1) 以有功网损最小:
2) 节点电压水平:
式中, ︱V*i︱=1, ︱Vi︱为节点i的指定电压幅值, Δ︱Vimax︱表示节点i节点允许的最大电压偏差, NPQ为系统的负荷节点数。
把Ploss和 ΔV采用式 ( 3) 处理, μ∈ (0, 1) , 其反应目标子函数的水平。定义如下:
式中: i = 1, 2; μ1, μ2对应于系统网络损耗和节点电压水平的子目标函数。
式中: w协调因子。
1. 2 约束条件
1. 2. 1 功率方程
1.2.2不等式约束
线性不等式约束:
非线性约束条件:
nbr为支路数; nDG为DG台数; ng为发电机台数。
2 模型的分解
把DG的选址定容的数学模型写成标准形式:
式中: xc为连续变量向量, xc= [δ v PgQgSDG]T, xd为离散变量向量, DG安装的PQ节点号。
3 内点法
连续部分采用内点法如下, 即把式 ( 9) 引入松弛变量Zm转化为:
根据Karush - Kuhn - Tucker最优一阶必要条件得到:
对最优化条件式 ( 11) 采用牛顿法求解得到式 ( 12) 。
牛顿跌代更新计算可以根据以下3步:
1) 根据式 (14) 计算Δx和Δλ;
2) 根据式 (13) 计算ΔZ;
3) 根据式 (12) 计算Δμ。
αp、αd分别为原变量和对偶变量步长, 表达如式 ( 15) 和式 ( 16) :
变量更新如式 ( 17) :
式中: ξ = 0. 999 95, 在牛顿迭代中, 为满足KKT则有扰动参数 γ 趋于0。。
4 算例分析
论文采用Matpower4. 1 中的IEEE30 节点作为测试模型 ( 改进IEEE30 bus) 。以节点1 作为平衡节点, 其基准电压为100 MV。
4. 1协调因子w优化
对于case 30bus以无DG网损为目标函数 ΔVmax=30. 556, 安装2 台DG以节点电压 ΔVmin= 29. 205。以无DG节点电压为目标函数Ploss，max= 0. 025, 2 台DG损耗为目标函数Ploss，min= 0. 015 以取case 30 busΔV区间[29. 2056, 30. 556 3 ], case30 bus Ploss区间[0. 014 8, 0. 024 9]。建立多目标函数, w和Ploss, ΔV的关系如图1 所示。
为达到子目标函数优化效果 ( 主要考虑网损最小) , 选取协调因子w = 0. 4。
4. 2 DG容量和最优位置
如图2 所示, 最优位置是8 节点, P = 0. 236, Q =0. 047 2, S = 0. 242 9, 在IEEE30 节点模型中, 虽然节点7, 8不是负荷集中区, 却是负荷的最严重区, 所以DG安装8节点合理性。故安装2 台DG, 安装位置为8, 11 节点, S8= 0. 242 9, S11= 0. 156 9。
4. 3 优化的效果
如图3 所示, 对于安装1 台DG建立的多目标函数比没有安装DG以网损为目标函数的电压稳定性总体上, 有大幅度提高; 同样, 相比较没有安装DG以节点电压为目标函数, 更趋于平稳更靠近1 点附近。空白柱形表示安装有DG以多目标函数; 斜线柱形表示没有安装DG以节点电压水平为目标函数, 交叉线柱形表示没有安装DG以网损为目标函数。
采用上述方法安装1 台DG时, Ploss= 0. 016 6 比较没有安装DG以网络有功损耗为目标函数Ploss= 0. 022 7, 网损减少了36. 75% , 安装1 台DG以网络有功损耗为目标函数Ploss= 0. 015 7, ΔVloss= 30. 471 6, 网损增加了5. 42% ;ΔVloss比相同条件下以节点电压水平为目标函数求得的ΔVu= 29. 070 9, 增加了4. 8% , 故满足优化要求。 ( 一次连续迭代次数约31 次, 时间23. 462 s。)
5 总结
分布式多目标 篇6
在配电网发生故障后,可以根据配电自动化馈线终端单元(feeder terminal unit,FTU)上报的信息及时准确地判断故障区域并将故障隔离在最小范围内[1,2,3,4]。故障恢复的主要目的是在配电网发生故障后,通过网络重构在不发生系统安全越限的条件下,快速恢复对非故障区域失电负荷的供电。供电恢复的过程中,相关的一些问题需要给予关注:
(1)最大限度的恢复失电负荷。
(2)程序运行的时间要短。
(3)满足配电网的约束。
(4)最少的开关动作次数。
(5)考虑负荷的优先等级。
(6)在完成供电恢复后,要求网损尽量小。
当前,分布式发电DG (Distributed Generation)技术在全球快速发展。在大电网供电的基础上,配电系统在靠近用户侧引入容量不大(一般小于50 MW)的分布式电源供电,可以综合利用现有资源和设备,向用户提供可靠的电能。分布式电源的接入不改变原来配电网的结构,延缓了输、配电网升级换代所需的巨额投资。同时,它的接入可以有效改善大电网的供电可靠性并且可以提高供电质量。包含分布式电源的配电系统发生故障后,分布式电源可以以电力孤岛方式继续供电,然后再启动恢复程序实现失电负荷的供电恢复[5,6,7]。
一般来说,配电网的故障恢复是一个复杂、多目标、多约束的规划问题,采用传统的数学优化方法存在严重的“维数灾”问题。现有算法有的将专家系统用于求解上述问题,但专家知识库的建立耗时多、花费大、局限性大;属于启发类算法[8]的支路交换法(branch exchange method,BEM)的收敛性取决于网络的初始结构;近年来兴起的模拟退火法(s imul ated annealing,SA)、遗传算法(genetic algorithm,GA)、模糊优化等人工智能算法[9-12]均存在搜索空间广、计算量大、易发生早熟现象等不足。
本文针对以上供电恢复中存在的问题提出了基于自适应多种群遗传算法的多目标供电恢复。考虑负荷的优先级和开关类型,以恢复负荷量、开关动作次数和网损作为目标,应用自适应多种群遗传算法搜寻Pareto可行解。多种群和自适应技术保持了种群的多样性,有效地避免了不成熟收敛。多目标供电恢复的目的就是以尽量快的速度尽量多的找出Pareto可行解,以供决策者根据实际情况,选取其中一个解作为供电恢复的方案。
一、包含DG的配电网故障恢复的数学模型
(一)配电网拓扑结构的简化
将配电网络看作是一种图,将配电线路沿线的馈线开关当作是图的顶点,将馈线当作是图的边,两个开关间的负荷采用等效负荷模型[12],从而构成配电网的数学模型。当配电网故障时,分布式电源解列运行,在供电恢复过程中重新投入。
(二)故障恢复的数学模型
1、目标函数
当配电网发生大面积断电的时候,考虑到负荷的优先等级,如何最多的恢复失电负荷的供电成为供电恢复问题很重要的一个方面。因而本文选择恢复的负荷量作为一个目标函数:
式中:N为{1,2,3,……},Li为第i个负荷恢复的负荷量大小,λ为负荷i的优先级。
对失电负荷恢复供电,必然涉及一系列的开关操作,而对于手动开关和遥控开关来说,动作一次的代价是不相同的。本文定义手动开关动作一次对应的开关动作次数为1,而遥控开关动作一次对应的开关动作次数为0.5,相应的公式如下:
式中:SW1为手动控制开关的动作次数,Nm为手动控制开关个数,SWMj为第j个开关在刚刚故障后的开关状态,SWMRj为第j个开关在恢复供电后的开关状态;SW2为遥控开关的动作次数,Na为遥控开关的个数,SWAk为第k个开关在刚刚故障后的开关状态,SWARk为第k个开关在恢复供电后的开关状态。
网络损耗的大小直接影响着配电网运行的经济性。在供电恢复问题中,如何在恢复负荷后保持配电网更加经济的运行是很重要的。本文将配电系统的网损作为供电恢复问题中的一个目标。其公式如下:
其中:N.为已恢复的支路数,Ri为支路i的电阻,li为支路i的电流。β为一标志位,当恢复负荷量为总负荷量的70%及以上时,其值为1,否则,其值为0。
2、相关约束
在配电网的供电恢复问题中,任一候选解都要满足不等约束,不等式约束包括电压约束、支路过载约束等,即:
式中,Uimin和Uimax分别为节点i电压下限和上限值;Si和Simax分别为第i条支路流过功率的计算值及其最大容许值。
二、Pareto最优的概念
在进行多目标供电恢复时,使各个目标函数同时达到最优的情况很难出现,于是解决多目标供电恢复问题的最终手段就是在目标函数之间进行协调和折中,使目标函数尽可能的达到最优,因而出现了基于权重系数多目标算法。如前所述,这种多目标算法对经验知识的要求比较高。另外,不同目标的单位也不一样,不易直接比较。同时,各目标之间通过决策变量相互制约,往往存在相互矛盾的指标。为此,本文采用Pareto最优的概念来解决多目标供电恢复问题。
对于两个决策变量u和V,且u,v∈S,S为决策变量空间,对任意的i∈{1,2,…K},fi(u)≤fi(v),并且存在i∈{1,2,...K},使得fi(u)
对于多目标优化问题的一个可行解x∈S,当且仅当S中不存在y,使y>x,即x是S中的非支配个体,称x为多目标优化问题的Pareto最优解。即所谓Pareto最优解就是不存在比这个方案至少一个目标更好而其他目标不低劣的更好的解,也就是不可能优化其中部分目标而使其他目标不劣化。通常多目标优化问题的Pareto最优解是一个集。对于实际应用问题的最后方案决策,必须根据对问题的了解程度和决策人员的偏好,从多目标优化问题的Pareto最优解集里面挑选出一个或部分解作为所求多目标优化问题的最优解[14]。因此求解多目标问题的首要步骤和关键是求出尽可能多的Pareto最优解。
三、自适应多种群遗传算法
遗传算法是一种源于生物界自然选择的和自然遗传机理的并行优化搜索方法,它在搜索过程中自动获取和积累对解空间的认识,并自适应的控制搜索过程以求得最优解,但遗传算法在求解多目标优化问题时存在不成熟收敛的问题。因此,本文提出了自适应多种群遗传算法,该种算法中多个种群使用同一个目标函数,各种群的交叉率和变异率在线自适应的改变,以搜索不同的解空间中的最优解,种群间定期进行信息交换。种群的划分与自适应参数调整相结合,将种群划分为几个各具特色的子种群。
多种群遗传算法中的精华种群和其它种群有很大不同。在进化过程中将各个种群的优秀个体放入精华种群加以保存。精华种群不进行选择、交叉、变异等遗传操作,保证进化过程中各种群产生的最优个体不被破坏和丢失。
(一)自适应参数调整
控制参数的调整主要是对交叉概率Pc、变异概
率Pm进行的。交叉操作是遗传算法产生新个体的主要方法,Pc一般应取较大值.但若取值过大,易于破坏群体中的优良个体;若取值过小,产生新个体的速度又太慢,P。的范围一般为0.4～0.99。变异操作是产生新个体的必不可少的辅助方法,若Pm取值较大,有可能破坏掉很多较好的个体,使得算法的性能近似于随机搜索的性能;若Pm取值太小,则变异操作产生新个体的能力和抑制早熟现象的能力较差,一般地Pm范围为0.001～0.1。由上可知,Pc和Pm越大,算法产生新个体的能力就越强,个体之间的适应度波动比较大;Pc和Pm越小,算法使个体趋于收敛的能力越强,个体的平均适应度比较平稳,有可能产生早熟现象。
采用自适应思想[15],在算法的运行过程中对Pc和Pm进行调整,其计算公式为:
式中:gens是遗传操作的代数,gensmax是最大遗传代数,Pc(1),Pm(1)分别是初始交叉率和变异率,c和m分别为交叉率与变异率的比例系数,Pc(gens),Pm(gens)分别是第代的交叉率和变异率。
(二)种群的划分方式
在遗传算法过程中,为了尽可能保持一些关键的信息不被丢失,采用自适应多种群并行进化,种群的划分与自适应参数调整相结合,其划分的主要依据是Pc和Pm值的变化情况。
把随机产生的初始种群PO分成两组:P1和P2,种群的规模都是一样的。另外再设置一个精华种群用于存放各个种群的优秀个体。对于种群P1,让其具有较小的Pc和Pm(即可让系数c,m具有较小的值),可称之为优类子种群。较小的Pc和Pm易于保持个体的稳定性,将优良的个体尽量保存下来,其作用在于尽可能保护优秀个体加快收敛速度。对于种群P2,让其具有较大的Pc和Pm即可让系数C,m具有较大的值),可称之为劣类子种群。较大的Pc和Pm易于产生新的个体模式,增大探测到最优个体的可能性。其作用在于克服过早收敛。
(三)考虑进化稳定的多种群遗传算法
进化稳定策略是指种群中大部分成员采用的策略,个体行为应遵守群体的约定[16]。依据进化稳定策略,在传统的并行遗传算法中引入稳定控制参数下的突变算子,文献[17]提出了考虑进化稳定策略的改进多种群遗传算法。在该算法中,根据设置的稳定参数对精华种群中的多余个体实施不同于一般变异算子的突变操作,这样可以减轻选择机制对低适应值个体所造成的生存压力,保持种群的多样性,避免过早收敛,同时又扩大了搜索空间。当检测到当前种群中最优个体所占比例超过设定的稳定控制参数时,对多余个体进行突变,使每一代精华种群中优秀个体的数目维持在一个稳定值,其基本框架如图1所示。
稳定控制参数u的设置方法为:
式中:μ为稳定控制参数;n为每个非精华种群的群体规模;m为种群个数;N为全部种群群体规模。因此，稳定控制参数μ是一个重要参数,μ太小则容易破坏当前搜索到的最优结构,μ太大则不利于快速跳出局部最优的区域。根据μ设置精华种群的群体规模为:
式中:n0为精华种群规模;μi为每个种群的稳定控制参数;ni为每个种群的群体规模。
当精华种群中个体数目超过预先设定的规模时,根据突变因子的作用对多余的优秀个体进行突变操作,并利用这些个体来替代非精华种群中的最劣个体。把精华种群与非精华种群间的单向作用变为双向交互作用,这就有效扩大了搜索空间,为遗传算法跳出局部最优解提供了很好的解决方案。
(四)自适应多种群遗传算法的框架
多种群协同进化[13]是在传统进化算法的基础上引入了生态系统的念,并通过多物种间相互作用实现全局最优搜索的一种新的算法框架。由于其不同于传统进化思想的独特性,其在电力系统中获得了广泛应用[19,20]。由于对多种群协同进化的研究现在还处于起步阶段,并没有形成成熟的理论和固定的模式,所以在解决实际问题时,需要根据问题的具体情况进行灵活构造[22]。
针对遗传算法仪陷入局部最优解和搜索时效率不高的问题,借鉴自适应和多种群协同进化的思想,本文提出了基于自适应多种群遗传算法的配电网重构。
建立三个物种,三个物种都采用同一目标函数,物种1和物种2采用单纯的自适应遗传算法,物种3采用考虑进化稳定策略的自适应多种群遗传算法,并设置两个子种群分别与物种1和物种2对应。多种群遗传算法的框架如图2所示。
在进行遗传操作过程中,3个物种进行各自独立的遗传进化,通过优秀个体的转移实现协同进化作用。在进行优秀个体转移过程中,主要是通过用一个种群中的最优个体来替换与它进行交互作用的另一个或几个种群中的最劣个体实现的。可见物种3的作用是进行整体协调,也就是最优方案是通过它的精华种群产生的,而物种1和2是引进了不同于物种3的搜索思路,这样通过多物种的引进和协同作用可很好地解决遗传算法陷入局部最优的问题,并能有效提高搜索效率。物种1和2的引进在一定程度上扩大了搜索空间,如果陷入局部最优解,由于物种1和2中优秀个体的转移将引入新的搜索思路,这给出了更多的选择,从而能够跳出局部最优解。
四、算例结果与分析
用本文提出的算法对文献[21]中的含有DG的配电系统(图3)进行了分析。其中带括号的数字表示的为负荷,不带括号的数字表示的是开关节点。假设现在母线22故障,并且其出口断路器已跳闸。其中认为DG4由于运行方式的原因,在故障后要退出运行,断开开关18,不参与供电恢复。其他分布式电源,在故障后若处在失电区则形成孤岛运行,之后重新并网。
应用自适应多种群遗传算法对算例进行仿真计算。配电网在故障后,为了提高供电可靠性并减小故障引起的损失,要求供电恢复程序以最快的速度恢复失电负荷的供电,因而程序的快速性至关重要。运行本文的算法,在1～2秒可以得出Pareto最优解集,选取其中一组列于表1。
由表1可见,在较短的时间内,本文算法可以得到一组恢复方案,这些并不是Pareto最优解,而是算法到目前为止得到的一组非支配解。这些非支配解已经接近Pareto最优,可作为供电恢复最终的方案。
五、结论
分布式多通道同步采集系统设计 篇7
1 系统设计方案
分布式多通道数据同步采集系统主要由信号调理模块、ADS1278采样模块、采集控制模块、GPS接收机模块、液晶显示模块、恒温晶振模块、分频器模块、DAC调理电路模块组成,系统框图如图1所示。系统原理:GPS接收机模块产生时间信息和定位信息在液晶显示模块上进行显示,通过定位信息可以方便野外勘测时信号采集终端和传感器的布设。GPS接收机模块还产生1 pps信号。恒温晶振模块通过锁相环模块(PLL)将输出频率20 MHz倍频到200 MHz,然后将信号分别延迟90°、180°、270°,这样可以有效地减小计数误差。通过分频器将倍频后的频率进行分频,得到本地秒脉冲信号和A/D同步采集信号。利用时钟分相算法测量稳定1 pps信号和本地秒脉冲之间的误差,用PID控制算法对时间差进行处理,得到DAC频率偏差控制量。通过DAC调理电路对恒温晶振模块输出的频率进行微调,进而使稳定1 pps信号和本地秒脉冲信号同步,最终使各个采集终端进行高精度同步采集。
2 多通道同步数据采集
2. 1 前端信号调理
由于接收到的微震信号非常微弱,而环境噪声和干扰很强,故在AD输入端对微震信号进行调理,以滤除电路的环路噪声,提高共模抑制比。前端调理电路如图2 所示,选用THS4521 作为A / D的驱动电路,通过差分方式输入,以提高信号的抗干扰能力。由于A/D差分输入端对地的电压都必须大于0,即
所以,给差分放大器提供2. 5 V的共模电压,使输入电压范围为-2. 5 ~ + 2. 5 V,2. 5 V的共模电压由AD1278 的VCOM端经过跟随器滤波后提供。为了减小信号的失真,电路中的元件参数应尽可能地对称,设计中选用误差为1% 的优质金属薄膜电阻和Panasonic公司生产的PPS薄膜电容。
2. 2 A / D转换电路
设计中选用八通道同步采样数模转换芯片ADS1278,其内部集成了8 个并行工作的转换器,每个通道之间的同步采样误差小于500 ps,采样率可达144 k S/s,具有非常低的漂移和带内噪声。ADS1278 可以通过MODE选择高速、高分辨率、低功耗、低速四种模式。具体设计电路如图3 所示,通过FORMAT将数据输出格式为SPI时分复用模式。基准电压使用低噪声精密基准芯片REF5025 产生2. 5 V电压,并经过滤波后输出提供,提高了基准电压的稳定性和抗干扰能力。
3 GPS时钟同步
3. 1 时间差测量
时钟分相是把时钟周期的多个相位加以利用,将一个周期按相位可分为360°,通过对原时钟做一定延时就可以得到不同相位的时钟信号,然后使用原时钟信号和延时后的时钟信号对时间差进行测量。通过锁相环将20 MHz的时钟信号倍频到200 MHz,然后将信号分别延迟90°,180°,270°,得到时钟CLK2,CLK3,CLK4。如图4 所示,若只用时钟CLK1 对时间差测量,可测得6 个时钟周期,测量结果为30 ns,其分辨率为5 ns。采用时钟分相算法测量,4 路时钟同时进行计数共测得21 个计数脉冲,即上升沿的个数为21 个,分辨率为1. 25 ns,ΔI = 26. 25 ns,4 级时钟分相算法误差减少了3. 75 ns,分辨率提高了4 倍。
3. 2 PID算法
PID算法执行过程为通过将本地秒脉冲与1 pps信号比较,然后得出时间误差,并用这个误差来调节控制器,进而实现本地秒脉冲与1PPS信号同步。
根据图5,PID算法可表达式为
其中,e( t) 为系统偏差,e( t) = r( t) - c( t) ,r( t) 为期望设定值,c( t) 为实际输出值。Kp为增益常数,Ki为积分系数,Kd为微分系数。
对于数字系统,使用一系列离散的采样点来表示连续时间,用累加和来代替积分,用增量代替微分,可以得到数字PID控制算法:
式中: e( m) ,e( m - 1) ,e( m - 2) 分别为当前、上次、前次测量的时间误差,Δu( m) 为电压控制量的相对改变量。PID控制器在ARM内部完成,ΔT由FPGA通过SPI接口发送给ARM,然后通过该值来计算电压控制量 Δu( m) ,调整DAC输出电压值来控制恒温晶振的频率。
3. 3 恒温晶振调理
DAC转换电路将转换成电压值,然后对恒温晶振的输出频率进行微调。本设计选用的恒温晶振压控端的控制范围为0 ~ 5 V,输出频率为20 MHz ± 10 Hz,中心电压为2. 5 V。如图6 所示,设计中选用20 位的高精度数模转换器DAC1220,采用5 V电源供电,D/A输出电压范围为0 ~ 2. 5 V,所以采用放大电路OP1177 将电压放大到0 ~ 5 V,使其范围落在恒温晶振的有效控制范围内。使用高精度和稳定的电压基准芯片REF5025 提供2. 5 V的外部参考电压,然后经过滤波处理后给DAC提供参考电压。
4 实验结果
基于FPGA和ARM控制平台,设计了分布式多通道同步微震信号采集电路,实现了时钟分相算法和PID控制算法。在野外进行勘测时,对同步时钟的精度进行测量,地点选在陕西省府谷县某矿厂附近进行实验测试。使用3 个终端进行实验测试,每个采集终端连接8 个传感器。图7 为其中一个采集终端采集到的微震信号的一段波形。图8 是GPS同步时钟工作1 h后,2 个不同采集终端之间的同步采集时钟放大后的波形图,从图中可以清楚地看到,2 个不同采集终端之间的同步采集时钟精度优于150 ns,满足了微震信号采集同步采集的要求。
5 总结
针对微震采集系统中分布在不同位置的采集终端和同一采集端不同通道之间数据采集同步的要求,设计并且实现了硬件控制电路和软件算法。使用ADS1278 八通道同步采集芯片实现同一采集终端各个通道之间的同步采集。将稳定1 pps信号和本地秒脉冲利用时钟分相算法进行测量,通过PID算法将时间差转换成DAC频率偏差控制量,通过DAC调理电路对恒温晶振的输出频率进行微调,最终使稳定1 pps信号和本地秒脉冲信号同步,使各个采集终端之间能高精度同步工作。
摘要：为实现分布式微震采集系统中各个采集终端之间以及同一采集终端多个通道之间的同步,设计了一种分布式多通道同步微震信号采集系统。利用ADS1278解决了同一采集终端多通道之间的同步采集问题,同时使用GPS时钟同步的方法解决了不同采集终端间的同步问题,在GPS设计中提出了时钟分相算法测量1 pps信号和本地秒脉冲时间误差,通过PID算法计算得到恒温晶振的频率偏差控制量来调整恒温晶振,最终使1 pps信号和本地秒脉冲信号高精度同步,从而实现不同终端之间的采样时钟同步。实验结果表明,不同数据采集终端之间的同步精度优于500 ns,实现了分布式多通道同步信号采集。
分布式多目标 篇8
制造车间调度问题(Job Shop Scheduling Problem,JSSP),是典型的NP-hard问题[1],并且被认为是最难解决的问题之一。另外,由于车间调度问题是多目标的,具有复杂性和动态随机性,致使不确定时间出现的频率明显高于传统的制造环境,生产调度更多的表现为动态调度问题。
为适应时代化制造系统对柔性和快速重组的要求,提出以分布式MAS作为新的运作模式,综合OOT技术和CORBA通信机制,设计并实现了一种分布式制造车间调度仿真平台MASS,实现现代制造车间生产过程的动态调度,为将来MASS的实用化奠定基础。
1 MASS仿真系统的组成和相互关系
以典型的机械加工车间作为生产调度仿真系统的原型。为了满足生产调度的功能要求,该车间按照生产单元布局,每个单元中的机器至少能完成一种或是一类工件任务的加工,同时每个工件任务可有一个或多个单元完成。MASS基本布局如图1所示。
生产调度系统由管理Agent、资源Agent和工件Agent组成,从面向对象的观点看,这些Agent分布在不同的物理环境中,通过局域网连接在一起。考虑到系统的规模需要,在仿真系统中,系统层设有1个管理Agent,每个单元设一个单元管理Agent,下设若干资源Agent和工件Agent。
多Agent系统(Multi-agents System)放松了对集中式、规划和顺序控制的限制,提供了分散控制、应急和并行处理,提供更快速的问题求解。这样,制造系统便可以通过分布在车间里的资源和个体Agent之间的联合来实现系统的集成。
2 MASS仿真系统设计
2.1 面向对象的MASS仿真功能模型
按照上述系统模型,设计了面向对象的仿真系统功能,结构如图2所示。
2.2 Agent之间协商机制
由于车间调度问题是多目标的,具有复杂性和动态随机性,Agent在做出自身决策的同时还要考虑系统内其他Agent的行为,系统的整体目标需要由Agent共同实现。因此,Agent之间的协作尤为重要。建立良好的协商、合作策略是Agent有效完成调度任务的基础,也是各Agent解决不同问题所采用具体调度策略的基础。
在这个系统中有至少两种Agent:管理Agent(Manage Agent,MA)和下级Agent(Subagent,SA)。在MASS中,单元Agent、资源Agent和工件Agent都可以看作是MA的subagent。其中,MA负责任务的分解,监视任务的执行,并处理运行结果;SA负责任务的真正执行。
2.3 通信的实现
良好的通信机制是实现Agent之间信息交换与互操作的基础手段。Agent之间的通信可以采用基于Win Sock的消息传递机制实现,也可以采用面向对象的中间件技术CORBA实现。这里采用CORBA技术实现MASS底层通信。CORBA作为分布式开放系统的互连协议,可以突破以往基于参数传递信息的局限,提供了以对象为中心的互操作技术。
根据Agent通信的要求,运用CORBA复杂对象包装/传递技术,即设计人员必须定义对象的状态如何在网络上传输的包装函数(marshalling functions)和接收过程的解包函数(unmarshalling function),定义了三类Agent的IDL接口,可以支持异构Agent之间的通讯与互操作。
3 MASS仿真系统实现
3.1 实验系统结构
系统按照如图1所示的布局,在仿真系统中设计了三个生产单元CA(Cell Agent),每个单元都有三类机床:车床Lathe、磨床Mill和钻床Dill,每类有若干不同型号的机床可供选择。每个机器各有一个输入和输出缓冲区,分别能存放一个工件;每个单元有一个公共存储区;每个单元内各设两个AGV为这些机器运进所需的原料、运出操作完的工件。
3.2 仿真实验
设计本次试验的目的是验证MASS的可行性。试验中,任务的分配与执行调度选择先进先出(FIFO)调度策略。
1)管理Agent从调度任务表Task_list中选择优先级最高的任务,采用多点传送的方式,参考知识库中的信息,向有能力的单元CA1、CA2和CA3发布任务。任务包包括订单编号、工件编号、数量、工序和交货期,每一项操作信息为一个五元组,运行实例中发布的任务包为:
2)一旦CA1、CA2和CA3接到发布的任务信息,将接到的任务信息作为一个记录保存在任务表单Task_list中,参考工艺数据库中任务相关数据,包括加工设备类型,加工时间和服务成本,加工单元CA1预调度结果;
3)管理Agent从落选的两个单元Agent中选择一个作为后备单元,将相关信息保存起来,以备出现机器故障、任务拖延等异常情况时使用,目的是减少事故的处理时间、降低事故损害。同时,管理Agent还要通告单元CA2和CA3,结束该次任务的协商分配、过程。
实验结果证明了MASS能够完成预期的调度任务。虽然调度结果不是最优,但MASS调度问题的求解与通讯时间包含在工件的整个加工流动当中,求解时间短,响应速度快,应用于动态调度具有一定优势。
4 结束语
由于采用多Agent结构与基于CNP的调度协商机制,使现代制造车间动态调度得以有效实施。通过运用面向对象方法对MASS建模,设计并实现了一种开放式、动态变化MASS分布式仿真系统。通过CORBA机制实现了Agent之间的通信,模拟了制造车间多目标优化调度过程。实验结果证明该系统可应用于MAS控制系统仿真、设计及实际运行控制。Agent具有的智能性、自治性及合作能力等许多优良特性,为解决现代制造系统的车间动态调度问题提供了一条新的有效途径。
参考文献
[1]Nabil Nasar,Elsayed EA.Job Shop scheduling withalternative machines[J].International Journal ProductionResearch,1990,28(9):1595-1609.
[2]乔兵,等.基于Agent的分布式动态作业车间调度[J].信息与控制,2001,30(4):293-296.
[3]Garey M R,Johnson D S,Sethi R.The Complexity ofFlow-shop and Job shop Scheduling,Math.Oper.Res.1976,117-129.