[發(fā)明專利]一種多堆燃料電池發(fā)電系統(tǒng)大規(guī)模機(jī)組組合優(yōu)化方法

有效

• 申請?zhí)枺?/td>: 201810318214.1
• 申請日: 2018-04-11
• 公開（公告）號: CN108491983B
• 公開（公告）日: 2021-09-03
• 發(fā)明（設(shè)計(jì)）人: 陳維榮;朱亞男;李奇;黃文強(qiáng);鄧惠文;尚偉林;蘇波
• 申請（專利權(quán)）人: 西南交通大學(xué)
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06Q50/06;H02J3/46;H02J3/38
• 代理公司: 成都帝鵬知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 51265
• 代理人: 黎照西

1.一種多堆燃料電池發(fā)電系統(tǒng)大規(guī)模機(jī)組組合優(yōu)化方法，其特征在于，包括步驟：

步驟S100,通過K均值聚類法和蒙特卡羅模擬法，根據(jù)場景將燃料電池電堆聚類并建立概率分布模型；包括步驟：

將N個(gè)燃料電池電堆分成K個(gè)聚類，通過將聚類簇中具有較大的相似度的點(diǎn)，來完成各個(gè)場景的分類；所述場景為燃料電池發(fā)電系統(tǒng)中各個(gè)燃料電池電堆的使用情況；

生成情景的概率分布模型；根據(jù)燃料電池電堆情景建立非線性化模型，再通過求解非線性化模型得到情景樹所有節(jié)點(diǎn)的情景及其概率，構(gòu)成概率分布模型；

步驟S200,運(yùn)用自適應(yīng)慣性權(quán)值算法，使各燃料電池電堆根據(jù)概率分布模型在解空間中搜索追隨當(dāng)前的最優(yōu)解，實(shí)現(xiàn)各燃料電池電堆出力功率尋優(yōu)分配。

2.根據(jù)權(quán)利要求1所述的一種多堆燃料電池發(fā)電系統(tǒng)大規(guī)模機(jī)組組合優(yōu)化方法，其特征在于，所述K均值聚類法包括步驟：首先，選取K個(gè)類中心；然后，將樣本按規(guī)則歸類并計(jì)算類的中心，不斷變換類的中心重新歸類；最后，重新得到K個(gè)聚類。

3.根據(jù)權(quán)利要求2所述的一種多堆燃料電池發(fā)電系統(tǒng)大規(guī)模機(jī)組組合優(yōu)化方法，其特征在于，所述K均值聚類法中，每個(gè)場景到質(zhì)心距離的概率距離計(jì)算公式為：

對于燃料電池發(fā)電系統(tǒng)的聚類目標(biāo)函數(shù)為：

其中K為聚類數(shù)目即為燃料電池電堆群的數(shù)目，c_k為k簇的中心，x_j為k簇中的場景，優(yōu)化目標(biāo)為K個(gè)質(zhì)心到簇內(nèi)其它消減場景距離的總和最小；X_n為簇內(nèi)N個(gè)場景，c_k為選出的K個(gè)質(zhì)心場景。

4.根據(jù)權(quán)利要求3所述的一種多堆燃料電池發(fā)電系統(tǒng)大規(guī)模機(jī)組組合優(yōu)化方法，其特征在于，所述蒙特卡羅模擬法包括步驟：首先，建立燃料電池發(fā)電陣列的概率分布模型；然后，確定模擬次數(shù)并隨機(jī)抽樣，經(jīng)過數(shù)學(xué)計(jì)算得到隨機(jī)解，隨機(jī)解即為燃料電池電堆群的各個(gè)情景；最后，處理隨機(jī)解數(shù)據(jù)，生成情景的概率分布模型。

5.根據(jù)權(quán)利要求4所述的一種多堆燃料電池發(fā)電系統(tǒng)大規(guī)模機(jī)組組合優(yōu)化方法，其特征在于，所述生成情景的的概率分布模型為：

其中R表示所用統(tǒng)計(jì)特征的集合，包括燃料電池的使用情況以及整體系統(tǒng)的經(jīng)濟(jì)性；ω_i表示統(tǒng)計(jì)特征i的權(quán)重；s表示情景樹中各個(gè)節(jié)點(diǎn)的情景所構(gòu)成的集合；F_i是事先已知的統(tǒng)計(jì)特征i的值；B是只由0和1構(gòu)成的矩陣，它的每一行都表示一個(gè)節(jié)點(diǎn)的分布情況；p是按節(jié)點(diǎn)順序?qū)⒏髑榫暗陌l(fā)生概率組合而成的列向量；e表示一個(gè)全為1的N維列向量。

6.根據(jù)權(quán)利要求1所述的一種多堆燃料電池發(fā)電系統(tǒng)大規(guī)模機(jī)組組合優(yōu)化方法，其特征在于，在所述步驟S200中，綜合考慮燃料電池的壽命和整體系統(tǒng)的成本因素，將燃料電池機(jī)組按空間劃分為幾個(gè)區(qū)域；在各個(gè)區(qū)域內(nèi)的各次迭代中，每個(gè)燃料電池電堆通過跟蹤極值來更新自身在解空間中的位置與速度；

所述極值包括個(gè)體極值和全局極值；所述個(gè)體極值為燃料電池電堆在迭代過程中找到的自身最優(yōu)解，自身最優(yōu)解所對應(yīng)的燃料電池電堆是極值電堆p_i,d；所述全局極值是各區(qū)域存在的局部最優(yōu)解，局部最優(yōu)解所對應(yīng)的電堆是局部極值電堆p_b,d；

基于所述極值的局部優(yōu)化：開始時(shí)段隨機(jī)分布燃料電池電堆的初始狀態(tài)，將燃料電池電堆按使用程度劃分為幾個(gè)區(qū)域；在各次迭代中，每個(gè)燃料電池電堆通過跟蹤2個(gè)極值來更新自身在解空間中的使用情況；

基于所述極值的全局優(yōu)化：為了避免搜索過程中算法過早地陷入局部最優(yōu)解，經(jīng)過一定的迭代計(jì)算后，尋優(yōu)過程改用全局優(yōu)化算法以加速收斂；多個(gè)燃料電池電堆通過跟蹤個(gè)體極值電堆p_id和一個(gè)全局極值電堆p_g,d更新自身的使用情況和內(nèi)部狀態(tài)，在解空間中搜尋全局最優(yōu)解。