一种基于改进遗传算法的风光互补移动基站智能供电系统设计*

马　虹（南京工业职业技术学院能源与电气工程学院，南京210023）

一种基于改进遗传算法的风光互补移动基站智能供电系统设计*

马虹*
（南京工业职业技术学院能源与电气工程学院，南京210023）

针对移动基站面广量大，系统成本高等问题，研究并设计了基于改进遗传算法的风光互补移动基站智能供电系统。首先，对系统进行了软硬件设计，支持远程智能控制；然后，提出了基于粒子群算法的改进遗传算法，对系统优化配置，从而在满足负荷用电的前提下，使系统寿命周期成本显著降低，同时计算效率提高。实验结果表明，所设计的系统工作性能稳定可靠，系统成本降低，可在吐鲁番等独特气候地区及无人值守的移动通信基站中推广使用。

风光互补供电；优化配置；遗传算法；粒子群算法；移动基站

随着我国通信事业的快速发展，偏远地区和环境恶劣地区的网络覆盖和光缆中继站的建设越来越多，而这些地区一般没有电力或者电力不稳定。尤其我国的吐鲁番地区属于独特的暖温带大陆性干旱荒漠气候，地处盆地之中，四周高山环抱，有着日照长、气温高、昼夜温差大、降水少、风力强5大特点，素有“火州”、“风库”之称。当地可再生能源的储备十分丰富，其中以太阳能和风能尤为突出。风光互补发电系统［1］能够为这些地区基站的使用提供持续稳定供电的电源，所谓风光互补系统是指用太阳能光伏阵列和风力发电机组成的发电系统。合理的优化配置可以比一般的估算配置要节省1/3左右的成本［2］，所以如何合理地优化配置是风光互补系统研究的热点。

针对风光互补系统优化配置，学者进行了大量研究。采用经验来估算，往往造成系统装机容量严重不足或过剩现象。早期的研究有非线性规划［3］、整数规划［4］、二次规划［5］、动态规划等，其研究已较为成熟，并取得了一定的效果，但这些方法也有明显的局限性，多数情况下只能找到最优解。兰华［6］采用小生境遗传算法对风光互补发电系统配置优化，取得了较好效果。根据风光互补供电技术的特点，本文重点研究了一种基于改进遗传算法的风光互补移动基站智能供电系统。

1　风光互补移动基站智能供电系统设计

对于吐鲁番地区无人值守的通信基站，其电力网情况并不稳定，机房环境恶劣，由于当地温差较大，电源设备必须在高温及低温条件下可靠运行，还要承受尘土、虫类的侵蚀以及雷电的侵袭。这些要求使得供电系统设计、对备用电源及配电电路在环保、安全、安装和维修等方面的考虑成为设计的关键问题，因为基站现场一旦出现故障，极其容易造成局域通信网络的通信中断等问题。所以本设计采用光电互补供电系统［7-8］，提高了系统供电的连续性、稳定性和可靠性，并且通过对基站动力、蓄电池温度及环境参数进行远程集中监控［13］，及时掌握系统实时信息及故障信息等，可有效避免故障的出现。

风光互补移动基站智能供电系统的硬件部分由主电路板和控制电路板［9，10］两部分组成。同时为了实现基站动力及环境参数进行远程集中监控，本供电系统［11-13］设计了多协议接口，可实现远程透明传输（无限制数据传输）、短信发送、语音拨号等功能。系统结构框图如图1所示。

图1　风光互补移动基站智能供电系统结构框图

风光互补移动基站智能供电系统的供电系统软件［14］设计如图2所示。系统通过对采样光伏电池电压的判断来决定程序进入何种工作状态。图中Usp为光伏电池输出电压，Ud为蓄电池开启充电电压阀值（本系统取典型值15 V），Udark为天黑判断电压阀值（本系统取典型值2V）。若Usp≥Ud，光伏电池开始对蓄电池充电，程序执行白天子程序；若Usp≤Udark，即光伏电池输出电压小于等于天黑判断电压阀值时，执行夜晚子程序；若 Udark＜Usp＜Ud，执行Udark＜Usp＜Ud时子程序。

图2　系统总体设计流程图

2　基于改进遗传算法的系统优化配置

2.1系统优化目标和主要参数计算

风光互补系统供电系统［15-16］的优化配置可以看作目标优化问题，即在最大限度满足负荷需求和可靠性的前提下，保证系统成本花费最少。因此，成本函数可以看作是优化问题的目标函数。

式中，N代表部件数量，CPV、CWG、CBAT分别表示单个PV组件、风机和蓄电池的成本费用；MPV、MWG、MBAT分别表示单个PV组件、风机和蓄电池每年所需的维持费用；Ck为风机支架折算为每米的成本费用；Chm为光伏电池变换器的成本费用；yPVch则表示在系统寿命期内光伏电池变换器和逆变器要更换的数量；yBAT表示在寿命期里电池所要更换的数量。

主要的优化参数计算有：

（1）系统中光伏组件最大数量：

其中，Pload为基站平均最大负载需求量；为单个光伏组件的最大功率输出（W）。（2）系统中风力发电机最大数量：

其中，PmWG为单个风力发电机的最大功率输出（W）。

（3）系统中的蓄电池数量

其中，h为工作天数；n1为逆变器效率；n2为放电深度；VB为各单体电池的工作电压；CB为每个单体电池的容量。

（5）风机安装高度：其中，Vi为高度为h米的风速；V为在参考高度href米试验测得风速的输入参数；

（6）光伏阵列的倾角：

光伏阵列的倾角β的优化设计，应保证全年辐射量最大。为了简化计算，光伏阵列的最佳倾角β一般根据当地纬度确定。

2.2基于粒子群算法的遗传算法

传统遗传算法［17］是一种全局优化搜索算法，简单、鲁棒性强、适于并行处理，常用于发电系统的容量优化配置，但局部寻优能力较差，运行效率较低、参数难选择等，尤其初始种群对结果影响较大。粒子群算法PSO（Particle Swarm Optimization）是一种模拟鸟群寻找栖息地而寻找最优解的算法［18-19］，该算法［5］已被证明是一种全局最优化方法。相对其它的进化算法而言，粒子群算法有着运行时间少，空间少，参数少，易实现。遗传算法和粒子群算法各有优劣，单独使用使，遗传算法效果更优，但是粒子群算法速度更快，简单，易操作，可以为遗传算法的进化，提供大致的方向，这些优势可以使粒子群在遗传算法初始化阶段使用，减少由于随机因素造成对遗传算法初始化种群的过大影响，减少遗传算法在不同次的进化中相对偏差。

本文为了有效提高系统优化配置的效率和精度，将遗传算法和粒子群算法相结合，对系统进行优化配置。用粒子群算法产生遗传算法的初始解，使遗传算法能够从比较好的初始解开始迭代。实验表明，该算法实现了风光互补供电系统优化配置，同时有效的提高了遗传算法的全局收敛速度，只需较少的迭代次数，就能使得函数快速收敛，缩短了迭代误差的时间。

改进遗传算法的设计：

（1）编码

编码［20］是应用遗传算法时要解决的首要问题，也是算法设计的一个关键步骤。对于本文所设计的多目标的优化问题，目前主要的编码方式并不适合。本文采用一种不同于常规遗传算法的实数编码方式，即用一个实数表示一个基因，各个基因按一定的顺序连成一个长串，每个串定义为一个染色体。

（2）基于粒子群的初始化算法

本文通过粒子群算法来产生遗传算法的初始解，初始化算法的步骤如下：

①随机生成粒子群的位置和速度

粒子的位置和速度的维数为75，即随机产生75个［a，b］之间的实数。

表1　PSO编码表

如表1，每个粒子的位置对应一列编号，该列编号即为遗传算法的染色体。

②计算局部最优解和整体最优解，并如下更新粒子的速度和位置：

其中，i表示第i个粒子，j表示第 j维，k表示迭代次数，Mi表示粒子群最大迭代次数；c1，c2是学习因子；r1，r2是介于［0，1］之间的随机数；和分别表示第i个粒子在第k次迭代中第 j维的速度和位置；pbes是粒子在第 j维的局部极值的坐标；gbes是群体在第 j维的全局极值的坐标。

③判断是否达到最大迭代次数，如果是则结束算法，否则重复步骤（2）。

（3）适应度函数设计

在遗传算法中使用适应度来度量群体中各个个体在优化计算中达到或接近或有助于找到最优解的优良程度。因此适应函数［21，22］的选择至关重要。一般而言，适应度函数是由目标函数变换而成。本文风光互补供电系统的优化配置的目标是在满足负载需求和供电可靠性的前提下，系统成本花费最小。所以本算法的适应函数 f（x）。

（4）遗传算子的选择

本文采用最佳个体保存方法设计选择算子，即首先按轮盘赌选择方法执行遗传算法的选择操作，然后将当前群体中适应度最高的个体结构完整地复制到下一代群体中。在遗传算法中，交叉算子因其全局搜索能力而起着核心作用，采用分段交叉的方法，来提高算法的局部寻优能力，将种群逐步向极值点引导，实现了算法的快速寻优。对于变异算子的设计，采用两种变异算子来改进单一的变异算子，对于每个染色体，随机产生一个数，在变异过程中，采取均匀变异和边界变异两种操作。

本文改进遗传算法的流程如图3所示。

图3　本文算法流程图

3　实验结果及分析

本文所研究的风光互补移动基站智能供电系统，其系统所需负荷最大为2.1 kW，每天工作24 h，太阳能电池组件、风机的使用寿命为20 y，逆变器的正常工作时间为40 000 h，蓄电池的使用寿命为3 y。吐鲁番地区的风速数据如表2所示。

表2　平均风速速度　单位：m/s

本文采用的改进遗传算法对风光互补移动基站供电系统进行优化配置。其结果与单独的光伏系统、单独的风电系统和未经优化的风光互补供电系统比较，比较结果如表3所示。

表3　各种系统配置成本比较

表3比较结果表明，本文算法优化后的系统成本不仅低于单独的光伏系统、单独的风电系统，而且比一般遗传算法低，证明了本文算法的有效性。同时表4比较结果表明，本文算法比一般遗传算法的计算效率提高了15%，证明本文算法具有良好的计算效率。

表4　计算效率比较

图4中所示波形为用风光互补移动基站智能供电系统通过示波器所反映出来的波形。从图中可以看出供电系统所提供的电能是非常稳定的。图中竖轴表示接收信号的代码，横轴表示在每一个时间发生的频率。图5中表示的是供电系统在充电过程中性能稳定，当蓄电池充满的时候，不会放电，且可以自动关闭，能够延长蓄电池寿命。本文所研究的供电系统具有良好的性能。

图4　实验波形图1

图5　实验波形图2

4　结论

本文针对吐鲁番地区移动基站供电困难、无人值守等问题，研究并设计了一种基于改进遗传算法的风光互补移动基站智能供电系统。首先，对风光互补移动基站智能供电系统进行了软硬件设计，支持远程智能控制，解决了吐鲁番地区恶劣条件下无人值守的问题；然后，主要研究了移动基站风电互补供电系统的优化配置问题，将传统遗传算法和粒子群算法进行结合，提出了基于粒子群算法的改进遗传算法。利用粒子群算法求得遗传算法的初始解，然后根据一定的随机选择概率选择不同的交叉算子和变异算子。本文算法优化后的基站供电系统，在满足基站负荷需求的前提下，系统成本降低，具有更好的经济性能，同时具有更好的收敛速度。本文所设计的风光互补移动基站智能供电系统通过实际验证试验，其工作性能稳定可靠，能量利用率提高了30%，性价比较高，是一种科学合理的离网型供电方案，适合在及类似地域无人值守的移动通信基站中推广使用，具有更强的市场竞争力和十分广阔的发展前景。

［1］ Hongxing Y，Lin，ZWei.A Novel Optimization Sizing Model for Hybrid Solar-W ind Power Generation System［J］.Solar Energy，2007，81：76-84.

［2］ 方燕，马金花，高善峰，等.风光互补路灯系统的优化设计方法［J］.可再生能源，2009，27（1）：88-92.

［3］ Kalyanmoy Deb，Amrit Pratap，Sanler Agarwa1.A FastMulti-Objective Genetic Algorithms：NSGA-II［J］.IEEE Transaction on Evolutionary Computation，2002，6（2）：1053-1068.

［4］ Hartley L E，Martinez-Lozano JA，U lla M P，etal.The Optimization of Inclination ofa Solar Collector to Maximize the Incident Solar Radiationl［J］.Renewable Energy，1999：17-31.

［5］ Hongxing Yang，Wei Zhou.Optimal Sizing Method for Stand-Alone Hybrid Solar-Wind System with LPSP Technology by Using Genetic Algorithm.Solar Energy，2007（4）：1026-1033.

［6］ 兰华，王伟，王韵然，等.基于小生境遗传算法的风光互补放电系统配置优化［J］.东北电力大学学报，2010，30（4）：31-35.

［7］ 朱振宇.通信基站风光互补供电系统设计［J］.浙江水利水电专科学校学报，2009，21（4）：38-41.

［8］ 谢鹏.光电互补供电系统在上川岛公弯移动基站的应用研究［D］.华南理工大学，2010.

［9］ Dan Shen，Ashin Izadian.Modeling and Control of a Combined Wind-SolarMicrogrid.Industrial Electronics Society，2014：2173-2179.

［10］刘立群，王志新，顾临峰.基于改进模糊法的分布式风光互补发电系统MPPT控制［J］.电力系统保护与控制，2011，39 （15）：70-79.

［11］Steady-State.Model of Large-Scale Grid-Connected Photovoltaic Power Generation System［C］//Proceedings of ISES Solar World Congress 2007：Solar Energy and Human Settlement（VolumeⅢ）. 2007：101-105.

［12］Elhadidy M A，Shaahid SM.Parametric Study of Hybrid（Wind+ Solar+Diesel）Power Generating Systems［J］.Renewable Energy，2000（21）：129-139.

［13］刘盼刚，文玉梅，李平.一种磁电自供电无线传感器电源管理电路研究［J］.传感技术学报，2008，21（8）：127-132.

［14］马虹.光电互补智能供电系统的软件设计［J］.南京工业职业技术学院学报，2015，15（2）：29-32.

［15］Yang JM，Cheng K W E，Wu J，et al.The Study of the Energy Management System Based-On Fuzzy Control for Distributed HybridWind-Solar Power System［J］.2004：113-117.

［16］Yang H X，Wei Z，Lin L.Optimal Sizing Method for Stand-Alone Hybrid Solar-W ind System with LPSPTechnology by Using Genetic Algorithm［J］.Solar Energy，2008，82（4）：354-367.

［17］Prasad R A，Natarajan E.Optimization of Integrated Photovoltaic-Wind Power Generation Systemswith Battery Storage［J］.Energy，2006（31）：1943-1954.

［18］Jun-hai Shi，Zhi-dan Zhong，Xin-jian Zhu，et al.Robust Design and Optimization for Autonomous PV-Wind Hybrid Power Systems ［J］.Journalof Zhejiang University Science A，2008，9（3）：51-57.

［19］Qi Zhiyuan.Coordinated Control for IndependentWind-Solar Hybrid Power System［C］//Power and Energy Engineering Conference，2012：1-4.

［20］Yang Mi，Han Zhang，Yue Tian，et al.Control and Operation of Hybrid Solar/W ind Isolated DC Micro Grid［C］//Transportation Electrification Asia-Pacific，2014：1-5.

［21］Ronghua Jiang，HoujunWang，Shulin Tian，etal.Multidimensional Fitness Function DPSO Algorithm for Analog Test Point Selection ［J］.Instrumentation and Measurement，2010，59（6）：1634-1641.

［22］Senthilnath J，Okar SN，ManiV，etal.Multiobjective Discrete Particle Swarm Optimization for Multisensor Image Alignment［J］. Geoscienceand Remote Sensing Letters，2013，10（5）：1095-1099.

［23］孙运全，张蕴昕，李亚杰.混合储能在风光互补发电系统中的能量管理与控制策略［J］.电子器件，2015，38（3）：688-692.

马虹（1979-），女，汉族，江苏南京人，南京工业职业技术学院工作，研究生，副教授，研究方向为数据通信，mh_purple@ 163.com。

Wind/Solar Hybrid Power System in the Mobile Base Stations Based on a Im proved Genetic A lgorithm*

MA Hong*
（Nanjing Institute of Industry Technology，Nanjing 210023，China）

A new intelligent power supply system based on a improved genetic algorithm is studied and designed to solve these problems including large amount ofmobile base station，and high cost.Firstly，the hardware and software of the smart power supply station is designed，which can support remote control.Secondly，an improved genetic algorithm is proposed by combining the traditionaland particle swarm optimization algorithm for realizing the configuration optimization of the power system.Thirdly，this system cost is lower.The experiment results show that the power system is stable and reliable，a kind of reasonable off-grid power supply plan，just fitting to the base station where nobody on duty of Turpan area.

wind/solarhybrid power；configuration optimization；Genetic Algorithm；PSO；mobile base station

TP274；E968

A

1005-9490（2016）04-1010-05

项目来源：国家自然科学基金项目（61371170）；江苏智能传感器网络工程技术研究开发中心开放基金项目（402050612ZK404）

2015-08-22修改日期：2015-09-29

EEACC:821010.3969/j.issn.1005-9490.2016.04.048