英语原文共 6 页，剩余内容已隐藏，支付完成后下载完整资料
在线经济环境优化微电网使用改进的快速进化编程技术
R.Bhuvaneswari, C.S. Edrington, D. A. Cartes and S.Subramanian
BOYSCAST FELLOW Member, IEEE, Senior Member, IEEE Member, IEEE
Center for Advanced Power Systems, Florida State University, Dept.of Electrical Engg,
Tallahassee, Florida 32310, USA Annamalai University, India
bhuvana71@gmail.com , csedrington@gmail.com, dave@ieses.fsu.edu, profdrmani@gmail.com
摘要
本文旨在探索改进的快速进化算法（IFEP）的应用，以通过最小化操作，维护和排放所产生的成本来确定典型微电网中的经济负载共享情景。 这种方法利用高斯和Cauchy突变来创建来自相同亲本的后代，并且选择更好的突变用于下一代。 因此，IFEP具有最快的收敛性和最有可能找到近乎全球的解决方案。 所提出的方法已经在由光伏阵列，风力涡轮机，柴油发电机，微型涡轮机和燃料电池组成的样品微电网上测试，并且将结果与其他流行方法的结果进行比较。 模拟结果表明，开发的技术易于实现，已经在可接受的执行时间内收敛，并产生了具有最小操作成本和最小发射cos的组合经济和发射调度的高度最优解决方案
关键词：经济运行，排放成本，快速提高 进化规划，微电网
1引言
在过去几年中，由于电力行业发生了根本性的变化，系统规划和扩展的意义越来越多。 该系统正在进行重组，放松管制允许在输电线路上开放接入，并从地理上的遥远地区转移大量电力。 最初设计用于稳定性的传输系统现在正经历严重的应力。 此外，老化的基础设施不再能够适应负载增长。 一个可能的解决方案是建造新的传输设施：然而，这是非常昂贵和耗时的过程。
另一种选择是使用现场发电。 这种现场发电是以分布式能源资源（DER）的形式，可以在利用点或附近使用。 这种方法更有吸引力，因为首先，它减轻了构建昂贵的输电网的需要，其次，由于它们的本质，DER可以根据需要在需要时安装。因此，已经有很多政府和工业机构为开发和部署这些资源所做的努力。 特别是，美国能源部（DOE）已经制定了一个战略计划[2] [3]，用于以微电网（MG）的形式有效地布置和利用DER。
社会需要充足和安全的电，不仅以最低的价格，而且在最小的污染水平。 MG单元被选择为使得它们始终满足最小成本和排放的客户负载需求。 采用了几种策略来解决与微电网经济学有关的问题：在[4]中，系统的燃料消耗率被最小化，将当地能源需求作为约束，设计可靠和成本效益MG的合理方法在[5 ]，在[6]中提出了一种基于遗传算法（GA）的方法来确定DG的最优数目，大小和分配，以最小化分布系统的操作成本，一种设计每个微源的数目和容量的方法 最小化年成本[7]，在[8]中开发了用于高水平系统设计和相应的发电机单位承诺和微电网存储的线性规划成本最小化模型。
在[9]中显示，通过使用高质量的系统模型，可以精确和有效地解决优化问题。 本文扩展了建模方法，将其与高效的进化编程技术相结合，然后将该公式应用于典型的微电网样品。 主要目标是通过确定微电网的最佳运行计划（最小运行成本）以及满足负载需求来解决优化问题。 该公式确定最经济的发电机以满足负载需求，同时满足约束。
2微结构
在本文中，考虑包括柴油发电机（DG），微型涡轮（MT），风力发电机（WT），光伏阵列（PV）和燃料电池（FC）的MG系统。 一个典型的微网架构如图1所示[10]。
图1微电网结构
为了满足负载需求，电力可以直接由PV，WT，DG，MT或FC产生。 MG的组成部分这项工作是由科学技术部政府资助的。 ，美国佛罗里达州立大学高级电力系统中心，美国佛罗里达州立大学能源系统，经济与可持续发展研究所。 微电网架构使用制造商提供的数据单独建模。
3组成部分
A.风力发电机
用于计算风力涡轮发电机产生的输出功率的模型是
(1)
其中PWTr，Vci和Vco分别是额定功率，切入和切出风速。 此外，Vr和V是额定风速和实际风速。 我们根据等式（1）对商用风力涡轮机AIR 403 [11]功率曲线进行建模，并根据用户手册获得实际功率曲线。 模型（1）中的参数为a = 3.4; b = -12; c = 9.2; PWTr = 130瓦; Vci = 3.5m / s; Vco = 18m / s; V r = 17.5m / s。
B.光伏
模块的输出功率为[9]，[12]
(2)
其中：是模块在辐照度（）的输出功率，是标准测试条件（STC）下的模块最大功率，是入射辐照度，是在STC 1000W / m 2下的辐照度，k是温度系数，是电池温度，是参考温度。
C.柴油发电机成本
电力系统的燃料成本可以表示为其实际功率输出的函数，并且可以通过二次多项式来建模[13]。 总$ / h DG燃料成本是
(3)
其中a，b和c是发电机的系数，是柴油发电机的输出功率（kW）。 通常，常数a，b和c由制造商给出[14]。 在等式（3）中，参数是a = 0.0071，b = 0.2333和c = 0：4333
D.燃料电池成本
任何燃料电池的效率是电功率输出和燃料输入之间的比率，两者必须在相同的单位（W），[9]。 燃料电池的燃料成本是
(4)
其中Cn1是供应燃料电池的天然气价格，Pj是在间隔j处产生的电功率，eta;j是在间隔j处的电池效率。 为了模拟PEM燃料电池的技术性能，使用典型的效率曲线来作为电功率的函数来开发电池效率，并且在（4）中使用。 [15]
E.微涡轮机成本
MT的经济模型类似于FC模型。 与燃料电池不同，MT的效率随着供电功率的增加而增加[9] [16]。 MT燃料成本是
(5)
其中Cn1是供给微型涡轮机的天然气价格，Pj是在间隔j处产生的电功率，eta;j是在间隔j处的微型涡轮机的效率
4问题制定 - 组合经济排放分配（CEED）
CEED是微电网运行的重要组成部分。 它被定义为发电组合的最小化，其在满足功率平衡关系的同时最小化总成本。 为了执行CEED，优选单个目标函数。 为此，通过使用外部性成本函数方法将排放成本与燃料成本混合。 CEED的问题可以被表示为成本函数和发射函数的最小化，受到等式和不等式约束。 排放函数可以表示为每种污染物排放的合适定价的总和，例如，和，表示为“外部成本”。 当生产成本的一部分由生产者或购买者以外的公司或家庭承担时，产生外部性成本。
因此，目标函数可以表示为
min C = DG，MT和FC 运行的燃料成本
DG:MT和FC 外部性的维护成本
与DG，MT和FC相关的成本，用于排放NOx，SO2和CO2。 (6)
但须遵守下文所述的限制:
平衡约束：所有分布式源产生的功率应等于负载需求，并在数学上表示为：
(7)
不等式约束：DG，MT和FC的发电功率应在最小输出和最大输出内：
(8)
DG，MT和FC的运行和维护成本表示为：
(9)
其中KOMDG = 0.01258 $ / kWh; KOMMT = 0.00587 $ / kWh; KOMFC = 0.00419 $ / kWh。 本文中使用的DG，FC和MT的外部成本和排放因子总结在表I [9]中。
表1. ，和的外部成本和排放因子
|
排放类型 |
外部成本$ / lb |
DG lb / MWh的排放因子 |
MT lb / MWh的排放因子 |
FC lb / MWh的排放因子 |
|
|
4.2 |
21.8 |
0.03 |
0.44 |
|
|
0.99 |
0.454 |
0.006 |
0.008 |
|
|
0.014 |
1.432 |
1.078 |
1.596 |
实现过程的显着特点是
- 这项研究考虑了环境外部性[17]，如，和对电力供应解决方案的$ / h成本的影响。
- 环境外部性的总贴现成本是通过将估计的贴现外部成本与每种发电技术的排放因子和由微量来源产生的总功率相乘来计算的。
- 源自WT和PV的功率输出被视为自由功率，因为它们没有任何燃料成本或发射成本。
- WT和PV的输出是根据风速特性，温度特性和照射特性在一定时间间隔（在这种情况下，从上午1点到上午12点开始的24小时）计算得出的。
- 如果来自WT和PV的功率足以在该时间间隔内提供负载需求，则将导致经济的操作。
否则，使用IFEP技术确定来自分布式源（DG，MT和FC）的输出以满足等式（7）。
5进化规划
进化规划（EP）是概率搜索技术，其生成在极限内的间隔均匀分布的初始父矢量，并且获得遍及迭代数的全局最优解。 由于适应度函数的固有灵活性和编码相比于GA的容易性，EP技术以更少的代数产生最佳解决方案。 该技术的主要阶段是1）初始化，2）通过突变创建后代载体3）竞争和4）选择最佳载体以评估最佳适应度解。 使用高斯变换算子的常规EP是古典进化规划（CEP）。 使用Cauchy变异算子的EP是快速EP（FEP），因为它比CEP收敛得更快。 使用高斯和柯西变换算子的更好的EP是改进的FEP（IFEP），因为它与单独使用时的CEP和FEP相比具有更高的收敛速率[18]。 用于执行IFEP到CEED的算法是
步骤1初始化:初始群体包括仅满足所有约束的候选调度解决方案的组合。 它由，i = 1,2，... 3，试验亲本个体组成。 父元素是随机选择的DG，MT和FC的功率输出的组合，以及[，上的测距。 = 0kW， = 7kW。 ; = 0kW，= 4kW。 ; = 0kW， = 4kW。
步骤2突变：在该方法中，来自每个亲本的两个后代被生成为
(10)
对两个后代的目标函数的值进行评估，比较，选择具有更好适应度的后代进行竞争和选择。 在这些方法中，标准偏差由表达式给出
（11）
其中是在搜索初始点周围的最优值时调整的缩放因子，是第i个个体的适合度值，是I父母之间的最大适应度。 突变导致I子代个体的创造。 父亲个体是满足所有约束的候选分派解决方案。 然而，在突变后，后代的元素可能违反约束（8）。 此违规更正为：
（12）
初始群体及其由突变产生的后代形成2个体的组合群体。
步骤3竞争和选择：2个体彼此竞争选择。 将权重值分配给每个个体
（13）
其中是从2I个体中随机选择的第个竞争者的适应度。 这种权重分配被发现产生适当的选择和良好的收敛。 当所有2个体获得它们的权重时，它们按降序排列，并且将前个个体与其下一代的适合度值一起选择为父亲。 重复步骤2和3，直到最小适合度值（即总成本）没有明显的改善。
图2负载特性
图3风速特性
图4温度特性
图5辐射特性
6结果和讨论
该提出的策略已经应用于样本微电网，其中功率需求在24小时的跨度上在4kW和14kW之间变化。 用于比较的网格自适应直接搜索（MADS）技术[9]是模式搜索算法的一般化形式，其需要形成网格，并且还取决于算法产生的极限点处的切线圆锥。输入数据需要 本研究为1天期间的功率需求，风速特性，温度特性和辐照特性。 还需要DG，MT和FC的燃料消耗特性及其操作和维护成本和排放因子。 负载需求，风速特性，温度特性和辐照特性分别如图2，图3，图4和图5所示。
在为CEED过程实现IFEP算法时，群体大小和最大代数是将确定收敛到全局最优的执行时间的参数。 因此，群体大小选择为20，并且最大代数选择为10.缩放因子选择为0.001，使得其提供适当高的初始突变水平，并且不会太快冷却，以防止完全收敛 全局最优。 在拟议的基于IFEP的C
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[139485]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
