参考文献/References:
参考文献[3]指出,目前,国内外部分研究机构和太阳能企业对主动式太阳能供热系统进行分析和研究。
参考文献[4]建立集中控制式系统的优化调度模型,并分析了微控与主控进行交互运行的控制策略,
参考文献[5-6]分析考虑微热量控制系统在并网情况下的能量流动和经济运行问题。
参考文献[7-8]指出,国外存在的微网经济运行模型是以网内设备的安装成本、运行维护成本及与向电力系统购电所花费为基础的最小化。怎样协调系统中热量流动问题,合理地选择不同时段的最优节点出力才是保证整个系统经济运行的关键。
1 太阳能烘房供热系统模型
太阳能烘房供热系统模型如图1所示,供热系统由太阳能集热器、控制器、储热设备、空气能加热器、低温风机、高温风机、阀门节点、温度传感器等组成。这些设备具有各自不同的成本,对烘房供热的可靠性不同,其对环境的适应性也不同,因此集中在一起相互补偿。在极端恶劣的气象条件下,焙房内部的加热系统切换到用电加热模式,其仍能可靠地工作。整个系统的调度工作由控制与管理系统完成,在满足系统性能的条件下,可获得最经济的产热方案。
图1 太阳能烘房供热系统模型
2 烘房供热管道模型
控制管理系统的任务是管理集热器产热单元、储能单元、备用加热单元和风机单元。管理控制系统在时域内划分为如图2所示。长期热能管理主要指生成未来一天运行的计划,包括太阳能产热预测(根据访问“气象预报网站” 预测太阳强度和产热成本),需根据当天天气情况和负荷需求预测提供一定程度的能量备用。中期热能管理主要包括实际集热器收集的热能和一天前预测数据的偏差,在长期热能管理的运行计划基础上对风机、集热器阀、储热设备等各节点的调整。短期热能平衡主要由控制器对分布式单元优化调度控制,使其运行成本最低。
图2 系统供热管理时域划分
3 物联网智能节电控制的优化
在该控制系统的模式下,其优化调度的目标是在满足各个分布式单元运行及太阳能最大化利用的约束限制下,使系统投资、运行、可靠性等综合成本最小。集热系统热量管理优化调度的目标函数可以表示为:Ct=Cf+Cq+Cc+Cz(1)Ct为系统总成本; Cf,Cq,Cc,Cz分别为风机(FG)总成本、集热器(JRQ)总成本、储热设备(CR)总成本、空气能加热器(FZ)总成本。Cf=Fi=1{eiQi(r0(1+r0)m)/((1+r0)m-1)+u(Qi)}(2)
Cq=Qj=1{fjQj(r0(1+r0)m)/((1+r0)m-1)+u(Qj)}(3)
Cc=Bk=1{lkQk(r0(1+r0)m)/((1+r0)m-1)+u(Qk)}(4)
Cz=Zn=1{gnQn(r0(1+r0)m)/((1+r0)m-1)+u(Qn)}(5)F,Q, B,Z分别为FG,JRQ,CR,FZ的总数量; ei,fj,lk,gn分别为第i,j,k,n 个FG,JRQ,CR,FZ的单位热能成本; Qi,Qj,Qk,Qn分别为第i,j,k,n个FG,JRQ,CR,FZ的额定热量; u(Qi),u(Qj),u(Qk),u(Qn)为对应的运行时的额外维护成本; m为设备折旧时间年限; r0为贴现率。
4 约束条件
①CR,JRC,FG, FZ热量变化的约束条件。{Qc,min<Qc,soc<Qc,max
Qc<Qc,cap,max
0≤Qz≤Qz,max
0≤Qf≤Qf,max(6)其中Qc为每小时内CR热量的变化值; Qc,cap,max为CR每小时内所规定的热量最大变化值; Qc,soc为CR所储存的热量; Qc,min为CR储存的最小的热量; Qc,max为CR储存的最大的热量; Qz为FZ产生的热量,Qz,max为FZ产生的最大热量; Qf为FG散出的热量,Qf,max为FG散出的最大热量。
②FG数量、JRQ数量、CR数量,FZ数量的约束条件。{0≤Nf≤Nf,max
0≤Nq≤Nq,max
0≤Nc≤Nc,max
0≤Nz≤Nz,max(7)Nf,max,Nq,max,Nb,max,Nz,max 分别为FG,JRQ,CR,FZ满足用户负荷需求所需要的个数。
③系统负荷热量Q与各分部单元热量的约束条件。Q=Qj=1Qj+Zn=1Qn±Bk=1Qk-Fi=1Qi(8)Qj表示集热器吸收太阳能产生的热量; Qn表示辅助设备通过辅助加热所产生的热量; Qi表示风机通过鼓入更多的空气使烘房降低的热量; Qk之前的正负号的意思是,如果储热设备是储热,前面用负; 如果储热设备是放热给烘房,前面用正表示。此约束条件表示烘房的热量守恒。
5 基于PSO算法的智能节点控制
算法
PSO 算法是近年来开发的一种新的进化算法。该算法模拟社会的群体行为,在多维空间中对“粒子群”的系统进行寻优。每个粒子根据统计迭代过程中自身和群体发现的最优值修正自己的前进方向和速度,最终找到全局最优值。
若PSO 算法中粒子群中粒子个数为N,每个粒子在时刻t时的M维空间坐标和速度分别表示为Xi(t)=(X1i,X2i,…,Xdi,…,Xni)和vi(t)=(v1i,v2i,…,vdi,…,vni)。在t+1时刻,坐标位置Xi(t)和速度vi(t)按照式(9)、式(10)的方式进行调整。vi(t+1)=wvi(t)+c1r1(pi(t)-Xi(t))+
c2r2(Pg(t)-Xi(t))(9)
xi(t+1)=xi(t)+vi(t+1)(10)
{vdi=vmax,vdi>vmax
vdi=-vmax,vdi<-vmax(11)粒子的速度更新公式包括粒子的先前速度、自知学习和社会学习3部分。第1部分使得算法可以进行全局搜索,平衡全局和局部搜索能力,但是后期不利于算法的局部精细搜索; 第2部分表示粒子向自身学习的能力,使粒子能够进行较强的局部搜索; 第3部分表示粒子向整个种群中的粒子学习的能力,体现了不同粒子间的信息共享。w表示惯性权重,Pi表示个体最优解,Pg表示全局最优解,c1和c2分别表示粒子的学习常数; r1和r2主要是增加粒子飞行的随机性,在[0,1]之间均匀取值。当粒子处于迭代过程中时,粒子速度可能超出设定的最大值(约束条件),式(11)用来保证粒子的速度在一定范围内[9]。系统能量优化调度粒子群算法流程如图3所示。
图3 系统热量优化调度粒子群算法流程图4 一天中太阳光照变化曲线
6 算法结果与分析
6.1 算法结果与分析
选择夏季的某天作为仿真对象,一天中太阳光照变化情况图4所示。
假定选取的太阳能烘房供热系统中有75台降温风机,1 000个集热器设备和容量为120 kJ/ h的储热设备,忽略储热设备的充放热损耗。所用粒子群算法的参数设置如下:粒子数为40,最大迭代次数为100,算法的参数设置是m为40; kmax为100; w为0.729 8; c1为1.496 2; c2为1.496 2。
6.2 优化结果
釆用粒子群算法对烘房系统热量管理优化调度问题进行分析计算,则此问题转换为应用求解式(1)在式(6)～(8)等约束条件下的前提下,使用粒子群算法对各个节点的动态分配。各个分布式模块在长期、中期、短期的时间段内代表性的动态调整。
集热器数量的动态调节如图5所示,集热器系统在控制系统和动态的天气变化下分配集热器的开和关的数目,前100次迭代代表在长期管理的模式下,预测第2天天气比较好的情况下,集热器打开的数量比较多,能够合理的使用太阳能。中间的100次迭代代表中期管理的模式下(如13～14 h间),太阳光照太强,不需要那么多的集热器,寻找到最优集热器的数目。后100次迭代代表在短期管理的模式下,太阳光突然变强,集热系统根据需要实时调整寻优,此时集热器的数目快速的增加。
图5 集热器数量的动态调节
风机数量的动态调节如图6所示,风机系统在控制系统和动态的天气变化下分配风机的开和关的数目,前100次迭代代表在长期管理的模式下,预测第2天天气比较好的情况下,风机打开的数量比较少,能够合理减少热量的散出。中间的100次迭代代表中期管理的模式下(如13～14 h之间),太阳光照太强,需要散出更多的热量,寻找到最优风机的数目。后100次迭代代表在短期管理的模式下,太阳光突然变弱,风机系统根据需要调整寻优,此时风机的数目快速地减少稳定。
图6 风机数量的动态调节
储热设备数量的动态调节如图7所示,储热系统在控制系统和动态的天气变化下分配储热设备的开和关的数目,前100次迭代代表在长期管理的模式下,预测第2天天气比较差的情况下,储热设备打开的数量比较少,为了把更多的热量给负载。中间的100次迭代代表中期管理的模式下(如13～14 h之间),太阳光照太强,具有更多所需储存的热量,储热设备增加。后100次迭代代表在短期管理的模式下,太阳光突然变弱,储热系统根据需要调整寻优,此时储热设备的数目快速地减少稳定。
图7 储热设备数量的动态调节
辅助设备数量的动态调节如图8所示,辅助系统在控制系统和动态的天气变化下分配辅助设备的开和关的数目,前100次迭代代表在长期管理的模式下,预测第2天天气比较差的情况下,为了满足负载的需求,辅助设备打开的数量比较多。中间的100次迭代代表中期管理的模式下(如13～14 h之间),太阳光照太强,需要具有更少的辅助热量,辅助设备减少。后100次迭代代表在短期管理的模式下,太阳光突然变弱了一点,辅助系统根据需要调整寻优,此时辅助设备的数目快速地增多稳定。
图8 辅助设备数量的动态调节
7 结束语
主要探讨了新能源集热系统中物联网智能节点动态优化问题, 提出了在保证负荷所需的情况下,以最大化利用太阳能为原则,以整个系统的运行供热成本最低为目标函数的经济模型,并利用粒子群算法 对系统进行经济调度。仿真分析的结果表明,该方法能够以最大化利用太阳能为原则,跟随不同时段的温度变化,合理快速地选择出最优出力节点,实现系统运行成本最低。
[1] Venkataramanan G,Marnay C.A larger role for microgrids[J].IEEE Power and Energy Magazine,2008,6(3):78-82.
[2] 余贻鑫,栾文鹏.智能电网[J].电网与清洁能源,2009,25(1):7-11.
[3] 何梓年,朱敦智.太阳能供热采暖应技术手册[M].北京:化学工业山版社,2009.
[4] 丁明,张颖媛,茆美琴,等. 集中控制式微网系统的稳态建模与运行优化[J].电力系统自动化,2009,33( 24):78-82.
[5] 杨佩佩,艾欣,崔明勇,等. 基于粒子群优化算法的含多种供能系统的微网经济运行分析[J].电网技术,2009,33( 20):38-42.
[6] 王锐,顾伟,吴志. 含可再生能源的热电联供型微网经济运行优化[J]. 电力系统自动化,2011,35( 8):22-27.
[7] Asanol H,Bandol S.Economic analysis of microgrids[C]//Proceedings of IEEE Conference on Power Conversion.Nagoya,2007.
[8] Mohamed F A,Koivo H N.Microgrid online management and balancing using multiobjective optimization[J].IEEE Power Technology,2007(7):639-644.
[9] TAFRESHI S M M, HAKIMI S M. Optimal sizing of a stand-alone hybrid power system via particle swarm optimization[C]//Power Engineering Conference( IPEC 2007).Singapore: IEEE Press,2007: 960-965.
相似文献/References:
[1]李 力,陆金桂.基于PSO-BP神经网络的飞灰含碳量测量方法[J].机械与电子,2019,(04):68.
.Prediction Method of Carbon Content in Fiy Ash Based on PSO-BP Neural Network[J].Machinery & Electronics,2019,(12):68.
[2]赵蕾,傅攀,胡龙飞,等.FOA-WPT降噪和PSO-SVM在滚动轴承故障诊断中的应用[J].机械与电子,2018,(12):3.
ZHAO Lei,FU Pan,HU Longfei,et al.Applications of FOA-WPT and PSO-SVM in Faults Diagnosis of Rolling Bearing[J].Machinery & Electronics,2018,(12):3.
[3]胡斐,李维嘉,汪潇.基于视觉引导的Delta型并联机器人运动优化[J].机械与电子,2018,(06):71.
HU Fei,LI Weijia,WANG Xiao.Motion Optimization of Delta Parallel Robot Based on Visual Guidance[J].Machinery & Electronics,2018,(12):71.
[4]吕铁钢,张 亚,李世中.结合改进粒子群算法的RANSAC精确匹配方法[J].机械与电子,2017,(07):18.
LYU Tiegang,ZHANG Ya,LI Shizhong.On RANSAC Accurate Matching Method Based on Improved Particle Swarm
Optimization Algorithm[J].Machinery & Electronics,2017,(12):18.
[5]陈 强１,崔熙贵１,陈 峻２,等.基于粒子群算法的零部件多级装配定位策略优化[J].机械与电子,2020,(05):22.
,,et al.Locating Strategy Optimization of Multi-Stage Parts AssemblyBased on Particle Swarm Optimization[J].Machinery & Electronics,2020,(12):22.
[6]刘志勇 １,王小红 ２.一种自适应粒子群算法的小波神经网络优化[J].机械与电子,2021,(08):8.
LIU Zhiyong,WANG Xiaohong.A Wavelet Neural Network Optimization Method Based on Variable-Weight Particle Swarm Optimization[J].Machinery & Electronics,2021,(12):8.
[7]史绍恩.云计算中分布式软件系统兼容性自动检测方法[J].机械与电子,2021,(12):39.
SHI Shao en.Automatic Compatibility Detection Method of Distributed Software System in Cloud Computing[J].Machinery & Electronics,2021,(12):39.
[8]陈 杰,韩海豹.基于改进粒子群算法的农业机械产品装配分组优化配置[J].机械与电子,2022,(01):30.
CHEN Jie,HAN Haibao.Optimal Configuration of Agricultural Machinery Product Assembly Grouping Based on Improved Particle Swarm Algorithm[J].Machinery & Electronics,2022,(12):30.
[9]曲鹏举.改进粒子群算法在柔性作业加工时间问题研究[J].机械与电子,2023,41(01):3.
QU Pengju.Research on Processing Time Problem of Improved Particle Swarm Optimization in Flexible Job[J].Machinery & Electronics,2023,41(12):3.
[10]汪 洋,俞建峰,等.电梯导轨校准机器人力位控制研究[J].机械与电子,2023,41(01):46.
WANG Yang,YU Jianfeng,et al.Research on Force Position Control of Elevator Guide Rail Calibration Robot[J].Machinery & Electronics,2023,41(12):46.