智能电网和能源互联网-基于Jaya学习的独立能源系统优化

工程6（2020）812研究智能电网和能源互联网-透视基于Jaya学习的独立光伏、风力涡轮机和电池系统最佳规模优化Asif Khan，Nadeem Javaid巴基斯坦伊斯兰堡，伊斯兰堡44000阿提奇莱因福奥文章历史记录：2018年11月3日收到2020年3月26日修订2020年6月12日接受2020年6月19日网上发售保留字：单位尺寸独立系统可再生能源储能系统优化失电概率A B S T R A C T可再生能源（RESs）被认为是可靠的绿色发电源。光伏发电和风力涡轮机被用来为偏远地区供电。在独立环境中，混合RES的最佳规模是一个至关重要的挑战过去提出的元启发式本文提出了一种混合算法的Jaya和系统的可靠性被认为是一个最大允许的电源损失概率（LPSP最大）的概念。从JLBO算法得到的结果进行了比较，与原来的Jaya，TLBO，遗传算法。JLBO的结果显示出优越的性能，在TAC方面，和与PV电池和WT电池系统相比，该系统为所有拟议的LPSP最大©2020 THE COUNTORS.Elsevier LTD代表中国工程院出版，高等教育出版社有限公司。这是一篇CC BY-NC-ND许可下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍传统的能源生产使用石油、天然气和煤炭等化石燃料资源，这些资源随着消费而耗尽[1]，并造成环境污染和全球变暖。例如，化石燃料的使用和燃烧会导致有毒气体排放，从而导致环境问题，对生物体造成巨大风险[2]。二氧化碳（CO2）约占人类产生的温室气体排放量的77%[3]。这些因素通过危害气候而导致环境中的有毒气体排放因此，目前最重要的是开发生产能源的新方法，这些方法对环境更友好，更经济，更清洁，并且自然取之不尽用之不竭。可再生能源（RES）是一种新兴趋势，广泛用于从各种来源发电，包括太阳能、风能、地热能、水电和其他自然可再生能源[4]。在可再生能源系统中，风力涡轮机（WT）和光伏发电（PV）是最具主导性和最具鼓励性的技术，被全球社会认为可以满足电力消费者的负荷要求[5]。*通讯作者。电子邮件地址：nadeemjavaidqau@gmail.com（N. Javaid）。由太阳能和风能系统组成的可再生能源系统比其他能源更受关注，因为它们倾向于减少生态和普遍的二氧化碳排放[6，7]。然而，这些资源可能是不可预测和间歇性的，取决于自然条件。因此，可再生能源系统的可靠性是一个主要问题，需要以最低的消费者成本来解决为了克服环境挑战，在能源生产中非常需要考虑可再生能源.可再生能源系统可以通过两种方式实现在GC模式下，RES将生产的电力注入电力公用事业网络，而在SA模式下，它们直接为消费者的电力负载供电在GC系统中，消费者直接连接到公用电网。在可再生能源系统电力不足的情况下，消费者可以从公用电网获得并满足其负荷要求。因此，GC系统中不存在可靠性问题SA系统引入了不可靠性问题，因为消费者仅依赖于由RES产生的电力，并且没有与电网系统的连接此外，在SA环境中使用单个这种效应导致能量不匹配的情况，其中发电容量不能满足用户的负载要求。为了克服RES不可靠性和相关挑战，参考文献[9]利用https://doi.org/10.1016/j.eng.2020.06.0042095-8099/©2020 THE COMEORS.由爱思唯尔有限公司代表中国工程院和高等教育出版社有限公司出版。这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表工程杂志主页：www.elsevier.com/locate/engA. 汗北Javaid/工程6（2020）812813混合可再生能源系统（HRES）以及能量存储系统（ESS），以满足消费者的负载。HRES结合了太阳能和风能的复杂功能，以及ESS备份。由蓄电池、燃料电池（FC）和其他技术组成的ESS用于在应力时间期间（即，当由RES产生的能量小于所需负载时）满足能量赤字。因此，HRES与ESS一起提供的电力解决方案被认为比单个RES更可持续和可靠[10]。HRES中的主要问题是确定各个组件的最佳尺寸，包括WT，PV和电池。战略决策需要最佳规模，如可行性研究、初始资本投资或成本估算。通过以最小年总成本（TAC）保持系统的可靠性来确定HRES组件的准确和适当尺寸的方法可再生能源系统的不可靠性可以通过加大系统组件的尺寸来克服另一方面，系统组件的尺寸过小可能导致供电损耗（LOS）问题，其中由RES产生的能量小于消费者的负载。因此，HRES的最佳单元尺寸（可在降低的TAC下测量系统组件的确切数量（本文末尾提供了名称。）基于软件的工具，正式的技术，和元启发式算法通常用于单位规模的可再生能源系统。电力可再生能源混合优化模型（HOMER）是一种基于软件的工具，用于能源优化、敏感性分析和规划。Mamaghani等人[13]建议使用PV-WT-柴油发电机HRES为哥伦比亚三个偏远的进行了成本的技术经济可行性分析和CO2环境评价HOMER软件工具用于技术经济HRES分析，以满足每天13 048 kW的平均负荷要求，估计峰值为1185 kW[14]。光伏-风力发电-柴油-电池系统提供了最佳的结果，1715万美元和2571131公斤，每年的相比之下，由单个柴油发电机产生的电力导致2109万美元的NPC和5432244 kg/年的CO2排放。Karmaker等人[15]对孟加拉国使用光伏生物质电池系统为电动汽车供电进行了环境和经济可行性评估通过HOMER Pro软件获得的结果显示，与基于电网的电动汽车充电相比，使用该系统可减少34.68%的二氧化碳排放量，每月可节省12-18美元。参考文献中使用的HOMER软件。[13-此外，HOMER不支持小时内的基础变化，并且对于大的设计点需要大量的计算时间。考虑到HOMER软件的局限性，参考文献[16-18]通过混合整数线性规划（MILP）求解可再生能源系统的最优机组规模。Ren等人[16]考虑了一种GC场景，其中住宅能源需求通过PV-FC电池系统来满足。作者提出了一个多目标函数，以减少年度成本和二氧化碳排放量。作者通过MILP来阐述这个问题，并考虑将能量卖回电网。结果表明，电池有助于经济效益，而PV提供了一种环境友好的解决方案。然而，MILP是一种形式化的技术，受到一些限制。MILP技术执行一个完整的搜索的解决方案空间，找到一个确切的解决方案。然而，该技术不适用于随机环境，最后，由于大的设计点的维数问题而遭受灾难。其他研究建议使用元启发式算法，包括人工蜂群优化（ABSO）[19]、遗传算法（GA）[20-然而，HS、PSO、GA和ABSO等技术需要特定于算法的参数才能发挥作用。例如，HS算法使用和声记忆、音高调整和具有几个即兴演奏的考虑率遗传算法需要一个选择算子以及交叉和变异概率。类似地，ABSO不能在没有初始化和调整算法特定参数的情况下被执行，所述算法特定参数包括具有限制说明符的所采用的、侦察的和侦察的“蜜蜂”的数量GA和蚁群优化等算法也需要对算法特定参数进行性能调整，以实现最佳结果。如果没有适当地调整，算法特定的参数可能导致局部最优解或增加的计算时间。诸如PSO、ABSO和GA的元启发式算法不仅需要算法特定的参数，而且还需要对其参数进行性能调整以实现最优解。这些算法的性能主要取决于这些参数的选择、校准和性能调整任何参数的微小变化都可能影响算法的整体性能，并可能导致计算时间增加或陷入局部最优。因此，在文献中已经提出了算法，包括Jaya[29]、基于教学的此外，这些算法的功能仅取决于某些共同的控制参数，如代数和人口规模。本文通过Jaya、TLBO及其混合算法JLBO解决了HRES的单元规模问题。我们考虑一种混合光伏WT电池系统，这是更环保和成本效益比其他混合系统利用柴油发电机。下面列出的贡献是我们的辛勤工作的延伸[32]：PV-WT-电池系统的各种组件出于非算法特定的方法，Jaya和TLBO算法提出了找到一个最佳的HRES及其组件的数量，一种混合方法，JLBO，提出了结合Jaya和TLBO算法的学习阶段的解空间的优化搜索。系统的可靠性被认为是使用由消费者提供的各种最大允许的电源损耗概率（LPSP最大）值。本文的其余部分组织如下。第2节描述了建议的系统模型，规模配方，和目标函数的基础上，一些约束。方法见第3节。模拟结果在第4节中介绍和讨论。结论和未来的工作在第5中提供。2. 系统模型和施胶配方本节包括系统模型和RES和TAC建模的公式。●●●●814A. 汗北Javaid/工程6（2020）812POWwt wtr co140R>>：8>电子邮件RRz2.1. 拟议的系统模型图1显示了PV-WT电池HRES的典型系统模型建议的系统模型包括一个单一的直流（DC）总线架构。总线连接到双RES，包括PV板和WT。太阳能和风能系统的间歇性会导致RES的非线性和不可预测的输出功率。因此，在SA模式中使用单个RES将导致能量变化。因此，包括太阳能和风能系统的HRES与ESS结合使用。ESS由保持在电池组中的电池组成。通常，ESS使用深循环铅酸电池。三种不同的模式-平衡，盈余和赤字-被定义为从可再生能源发电。在平衡模式下，从RES（包括WT和PV）产生的总功率等于总用户负载。因此，没有盈余或赤字的权力。在剩余模式下，由RES产生的总能量大于总消费者这里，电力流是从RES到家庭和ESS两者。在电力不足模式中，RES产生比用户所需的电力少的电力。因此，ESS用于实现-其中，Tamb表示环境空气温度（°C），Tnoct表示电池正常工作温度（°C）。Tnoct取决于制造商如果存在多个PV板Npv，则总发电功率npv可以如下给出：npv？（2）WT电力系统的规模公式。产生电力的WT发电机的机制完全基于风WT可以由两个或更多个叶片组成，所述叶片机械地联接到根据风速产生功率的马达为了提高风力发电机的效率，涡轮机被高高地安装在塔架上。时隙t处的WT功率POWwt通过以下等式[33]计算：POW wtt0;vt v公司其中v表示风速;Pwt表示标称风速。在电力不足时隙中填充消费者的负载。在这里，流动功率的最大值是从RES和ESS两者到消费者WT的幂;以及vr、vco和vciR代表额定值、断路器和因此，ESS与RES结合增加了可靠性因素，并使混合模型对用户来说是经济的分别为切入风速。参数x和y可以通过等式获得。（五）：8>：y¼. vc i3=hvr3-. vci3ið5Þ(1) 光伏发电系统的选型公式太阳辐射I的每小时PV板功率输出POWpv由等式1给出（1）[19]：PO Wp vPpv×.I=Iref×h1Tcof.Tc-T参考值其中POWpv（t）是在时间段t产生的每小时PV板的总如果在一个区域中安装了数量为Nwt的WT，则通过以下等式获得总的产生的风力功率nwt（tnwt×Nwt×POWwt(3) 可再生能源系统的累计发电量和用户PV和WT累积发电量ngen（t）可表示如下：值为1000W Ω m-2的存在条件，Tcof为ngeneratornpvetnwtetnpvetnð7Þ温度系数为-3.7×10-3ii单晶硅和多晶硅的温度为°C-1[19]。Tref表示在给定参考条件下的PV电池温度，其通常被设置为25 °C，而Tc表示电池温度，其可以通过等式2获得。（二）：Tnoct-20其中g1表示逆变器的效率在家庭中，消费者因此，nld可以通过等式（1）计算。（八）：nldtxpgt×vtTc¼T amb800×1× 2×g¼a其中G和P分别表示电器的数量和它们的额定功率。v（t）表示示出电器状态的布尔整数。当v（t）= 1时，电器状态在时间t被认为是ON;否则，它被认为是OFF。(4) 电池组的尺寸配方。由于太阳辐射和风速的间歇性，电池组的能量存储容量发生变化。当n_gen（t）大于n_ld（t）时，电池组处于荷电状态（SOC）。因此，电池组在时隙t的充电量由等式（1）获得。（9）[19]：店店“根nldt#b我第二代n不好意思nt-1ðtÞ -g×g;8nn.不可数名词ðtÞð9Þ其中，nstore（t）和nstore（t-1）示出了存储的能量，分别在时隙t和（tb-1）处的电池组;i表示：Fig. 1. HRES的拟议系统模型。AC：交流电; DC：直流电。发送自放电状态;以及g充电效率表示电池组>X-老师L×我的天nt我的天nt新石器时代旧石器时代老师L3. 拟议方法启发使用非算法特定的技术，最佳的单位规模的问题是解决使用Jaya，TLBO，和混合JLBO算法，他们的结果也进行了比较与GA，这需要特定的算法参数的交叉和变异。3.1. Jaya通过优化过程中的算法，如以下等式所示：T因子1/4回合1/21r×2-1]291，在Eq。（28）仅在它提供更好的拟合函数值时才被接受。在学习者阶段，每个学习者随机与其他学习者互动，以分享和增加他们的知识。亲-cess首先随机选择两个学习者：X1和X1，M nJaya优化算法只考虑常见的控制参数，包括种群大小和终止准则，并且不需要任何算法特定的参数来进行优化。现有的人口，这样的m-n。基于学习器的适应执行. 在Jaya算法中，目标函数f（o）为：在每次迭代i处最小化，具有决策的数量8>Xl你好。Xl-X;如果Xl ≤X变量（j = 1，2，.. . ，c），以及候选解的数量新闻中心：你好。XLX否则，类似地，f（o）的最差值表示为f（o）worst，它被指定为整个总体中的最差候选。如果Oj，k，i表示在第i次迭代期间第k个候选项的第j个变量的值，则它根据由以下等式[29]定义的标准而改变：O0j; k; i1/4。floor地板Oj;bes t;i-Oj;k;i随机d2;j;i。Oj;最差;i-Oj;k;i最差。ð27Þ其中Oj，best，i和Oj，worst，i分别是第i次迭代时最佳和最差候选的变量j的值O0j;k;i表示Oj，k，i的更新值，而rand1，j，i和rand2，j，i表示在从0到1的范围内的第i次迭代期间第j个变量的两个随机数表达式O0j;k;i只有在达到更好的适应度值时才被接受。在优化过程中，接受的解决方案被用来更新人口的下一代。为了避免负值和小数值，我们分别使用MATLAB的绝对和地板函数来获得决策变量的整数值。3.2. Teaching–learning-based在TLBO中，总体的行和列分别代表学习者和受试者。学习者的每个主题与决策变量相关，而学习者的子主题的总数对应于解决方案。TLBO过程分为两个不同的阶段：教师阶段和学习者阶段。前一阶段显示从教师那里学习，后一阶段与通过学习者之间的互动学习有关[30]。在教师阶段，学习者的平均值被计算为主题。所有的学习者通过适应度函数进行评估，并且具有最小TAC的最佳学习者将被选为教师X1。算法现在试图将学习者的平均值向教师转移。因此，由当前和最佳均值向量形成的新向量被添加到现有群体中，如等式（1）所示。（二十八）：XL不 ¼X不 r×h ×l-我知道T因子×Mli28算法的优化过程继续进行，直到满足某个终止标准。3.3. JLBOJLBO由Jaya和TLBO的学习阶段组成，这导致围绕全球解决方案的搜索能力增加 图 4示出了JLBO算法的优化过程的流程图。下面给出了JLBO算法的映射步骤步骤1：每小时的输入参数，包括太阳辐射，风速，环境温度，和消费者步骤2：基于输入数据，通过等式2计算单个PV板和WT的发电容量（1）和（4）。步骤3：随机生成一个大小为50的初始种群，该种群仅由两个决策变量组成：X= [Npv，Nwt]。在该位置向量中，第一个元素描绘PV板的总数，第二个项表示WT的总数。为了将决策变量保持在搜索空间内，等式（24）和（25）必须满足。步骤4：在这里，我们计算电池的数量为每个解决方案的X使用方程.（12），并应用等式中给出的约束（26）. 更新X，使得它现在表示三个整数决策参数值：X= [Npv，Nwt，Nb]。这里，第三元素对应于电池的总数。这些性能参数是机组选型问题的决策变量。因此，现在生成的初始总体由[50 3]的矩阵大小组成人口X的每一行对应的描述了一个解决方案的单位规模问题。步骤5：通过等式2找到X的每个解的LPSP。（十三）、现在只考虑那些满足LPSP最大条件的解，Eq.中给出的应变（23）.步骤6：在这一步中，X中每个解的成本值使用等式计算。（15）.根据适应度函数的值，现在选择X中的最佳和最差解步骤7：使用Jaya等式在公式（27）中，整个X的前两个元素（Npv和Nwt）被更新。第8步：在学习阶段，两个解决方案-Xm和Xn-是从X中随机选择。基于适应度函数值，其中r表示0和1范围内的随机数，T因子是教导因子（TF）。 TF被选择为1或2。需要说明的是，T因子不是输入参数，而是以相等的概率Xnew通过Eq. （30）. Xnew现在包含更新的popu- lation值。步骤9：最后，重复步骤4-LXL旧的nt30Þ对于种群大小（k = 1，2，3，.. . ，e）。选择最佳候选f（o）best，其在整个解中具有f（o）的最重要值旧的我的天818A. 汗北Javaid/工程6（2020）812图四、JLBO算法的流程图步骤10：选择基于TAC的所有代中的最佳解作为最优解，并返回相应的性能参数值3.4. 遗传算法GA是一种生物启发算法，依赖于遗传评估和适者生存的概念[35]。遗传算法已被广泛应用于能源管理，通过电器调度[36，37]和混合系统的单位大小问题[38]。在GA中，算法特定的参数，包括选择，变异和交叉算子，在优化过程中进行初始化和与其他元启发式算法一样，GA过程通过随机生成具有N个数字和D维空间的初始种群（X）开始。存在于D维空间中的基因表示问题的决策变量。在GA中，染色体是由形成问题的候选解决方案作为最佳选择，最小化过程的演变，所有的染色体通过一个适应度函数，这是TAC最小化在这项研究中进行评估。在迭代期间，最佳染色体表示局部最佳解（Lbest）。为了产生一个新的人口（X新）的下一代，变异和交叉策略的应用。重复该过程，并通过适应度函数评估Xnew新的解决方案与更好的TAC被用来取代以前的，直到满足终止标准在所有代中选择具有最小TAC的最佳解作为全局最佳（G最佳）解。本研究的交叉和突变值分别设置为0.8和0.24. 仿真结果仿真结果是使用MATLAB R2016a软件获得的，系统配备2.9 GHzIntel Core i7处理器和8 GB安装内存。一个数据集，其中包含A. 汗北Javaid/工程6（2020）812819从伊朗拉夫桑贾获得了一年（8760 h）太阳日射量（图5）、环境温度（图6）和10 m高度风速（图7）[39]。图5（a）-7（a）和图图5（b）至图7（b）描绘全年及首8天的太阳日射量、环境温度及风速数据(192（三）分别。一年和前8天的用户负荷分布图见图1和图2。8（a）和（b）。电池的初始充电量假定为其标称存储容量的30%。表2总结并阐述了通过HRES的最佳尺寸确定算法获得的TAC结果在该表中，给出了所有混合情况下每个算法的平均值、标准差以及最佳和最差指标。在十次独立运行中报告指数在表2中，平均等级所提出的算法的值是通过取针对所有三种情况（PV-WT-电池、PV-电池和WT-电池）计算的它们的平均值的平均值而导出的。例如，JLBO平均等级值85 183 USD是通过分别取PV-WT电池、PV电池和WT电池情况下实现的50 247、67 052和138 250 USD的平均值来获得的。基于TAC的平均秩来分配算法的各种秩。如表2所示，JLBO结果表明，在LPSPmax = 1%时，与TAC值分别为138 250和67 052 USD的WT电池和PV电池系统相比，PV-WT电池混合系统是最具成本效益的解决方案，TAC为50 247 USD。表2中的最佳和最差索引显示了在十次独立运行期间由算法找到的最佳和最差解决方案。标准差被定义为一个量图五. （a）一年内和（b）一年前8天内的每小时太阳日射廓线数据。见图6。 （a）一年内和（b）一年前8天内的每小时环境温度廓线数据。见图7。 （a）一年中的每小时风速廓线数据和（b）一年中前8天的每小时风速廓线数据。820A. 汗北Javaid/工程6（2020）812见图8。 （a）一年内和（b）一年的前8天内的每小时用户表2平均值、标准差（Std.）最好的性能，最差的性能，和排名的计划超过10个独立运行的建议混合动力系统在LPSP最大 = 1%。混合系统指数JayaTLBOJLBOGAPV-WT电池平均值（美元）50 59651 45850 24754 626STD. （美元）173.16581 790.204 539.9最佳（美元）50 26850 26850 24750 247最差（美元）50 67855 62150 24763 565光伏电池平均值（美元）67 05267 05267 05267 052STD. （美元）0000最佳（美元）67 05267 05267 05267 052最差（美元）67 05267 05267 05267 052WT电池平均值（美元）138 250138 250138 250138 250STD. （美元）0000最佳（美元）138 250138 250138 250138 250最差（美元）138 250138 250138 250138 250平均排名（美元）85 299.3385 586.6785 18386 642.67最终排名2314表示一个组的成员与该组的平均值相差多少。在表2中，对于在表2中列出的PV-WT电池系统的情况下Jaya算法得到的最差解的TAC为50678 USD，最佳尺寸为Npv= 155，Nwt= 10，Nb= 1306，LPSP为0.9340%。由TLBO算法找到的通过TLBO算法找到的最差解决方案实现 了 Npv= 144 、 Nwt= 13 和 Nb= 1453 的最 优大小， TAC为 55 621USD，LPSP为0.5859%。在混合JLBO的情况50 247 USD，最佳粒径为Npv= 165，Nwt= 8，Nb= 1299，LPSP为0.9817%。使用GA获得的最佳指数值与使用混合JLBO获得的最佳指数值相同通过GA获得的最差解决方案导致TAC为63565 USD，单位尺寸组合为 Npv= 115， Nwt=20，Nb= 1682，LPSP为0.8211%。对于获得相同的最佳和最差解，导致标准偏差值为0。在光伏电池系统的情况下在WT-电池系统中，我们发现了类似的对于所有算法的最佳和最差情况，TAC为138 250 USD，最佳粒度为Nwt= 54，Nb= 3954。在LPSPmax = 1%时，所有算法获得的LPSP为0.8744%。因此，与PV-WT电池系统相比，由于系统中涉及的决策变量数量较少，因此所有算法对于PV电池和WT电池系统具有相似的性能。在PV-WT电池系统的情况下，当决策变量的数量增加到三个（即，Npv、Nwt和Nb），算法的性能变化。Jaya、TLBO、JLBO和GA算法在LPSPmax = 1%时的比较性能表明，JLBO结果在PV-WT电池系统的平均值、标准差以及最佳和最差指标方面更好值得注意的是，所有提出的算法都是在相同数量的代上进行评估的。这些算法根据它们获得的适应度值排名如下对于TAC：JLBO、Jaya、TLBO和GA。为简单起见，表3中仅总结了所提出的混合系统的Jaya和JLBO算法的结果。该表提供了决策变量Npv、Nwt和Nb在上述算法实现的五个不同LPSPmax 处的最小化TAC值方面的最佳结果。值得注意的是，在所有LPSP最大值下，与PV电池和WT电池系统相比，PV-WT电池系统在TAC方面是经济的。由于其增强了对解决方案空间中更有前途的区域的搜索，混合JLBO在PV-WT-电池系统中取得了更好的结果。对于A. 汗北Javaid/工程6（2020）812821表3在不同LPSP最大值下，建议的混合系统的Jaya和JLBO结果总结。混合系统LPSPmax（%）JayaJLBOLPSP（%）净现值净重量总可 支配收入（美元）LPSP（%）NpvNwtNbTAC（USD）PV-WT电池00145151 80266 8630150141 79566 5420.30.2721139151 62061 1020.2962144141 61260 7521.00.965016091 29650 2680.981716581 29950 2472.01.808017251 08443 0661.797616861 07843 0465.04.6908170484935 5554.8372174381834 464光伏电池00213N/A2 60188 8530213N/A2 60188 8530.30.2097210N/A2 40482 7900.2097210N/A2 40482 7901.00.9715202N/A1 89376 0520.9715202N/A1 89376 0522.01.9158193N/A1 35450 4241.9158193N/A1 35450 4245.04.5991187N/A99739 4094.5991187N/A99739 409WT电池00N/A564 246147 7300N/A564 246147 7300.30N/A554 072142 1500N/A554 072142 1501.00.8744N/A543 954138 2500.8744N/A543 954138 2502.00.8744N/A543 954138 2500.8744N/A543 954138 2505.00.8744N/A543 954138 2500.8744N/A543 954138 250N/A：不适用。当考虑Jaya算法时，发现在LPSPmax = 0时，对于PV-WT电池系统，使用145个PV板、15个WT和1802个电池实现了66 863 USD的TAC随着LPSPmax的值从0增加到5%，由于系统的成本和可靠性之间的折衷效应，相应的TAC值减小。换句话说，与其他LPSP最大值相比，系统更可靠但成本更高，并且将始终满足LPSP最大值= 0时的消费者在LPSP最大值增加时，即在5%时，表3的分析表明，例如，当LPSP最大值设置为5%时，TAC值为35 555，39 409美元，和138 250美元，分别实现了表3还表明，与Jaya算法相比，通过用于PV-WT电池HRES的JLBO算法获得了关于最小化TAC值的更有希望和有效的在LPSPmax = 0时，JLBO算法的TAC值为66542美元，比Jaya算法的TAC值低321美元。这里，通过JLBO算法找到的最佳大小是Npv= 150，Nwt= 14，以及Nb=1795。当LPSP最大值为设定为0.3%，JLBO算法实现的TAC为60752美元，比Jaya算法少350美元在这种情况下，组件的最佳尺寸为Npv=144，Nwt= 14，Nb= 1612，得到的LPSP值为0.2962%。在LPSPmax= 1%时，与PV电池和WT电池系统相比，HRES是最具成本效益的HRES。这里，与Jaya算法相比，JLBO节省的总成本为21美元。当LPSPmax增加到2%时，JLBO的最佳施胶效果为Npv= 168，Nwt= 6，Nb=1078，TAC为43046 USD，LPSP为1.7976%。在这种情况下，与Jaya计划相比，JLBO节省了20美元。最后，在LPSPmax = 5%时，JLBO发现的PV-WT-电池系统的TAC值为34 464 USD，比Jaya方案获得的解决方案少1091 USD。在这种情况下，系统组件的最佳尺寸是 Npv=174，Nwt= 3，Nb= 818，LPSP值为4.8372%。如表3所示，通过JLBO算法获得的结果在TAC方面，获得的TAC值对于LPSP max = 0、0.3%、1%、2%和5%时的分别为88 853、82 790、76 052、50 424和39 409美元。 在WT-电池系统的情况下，在LPSPmax = 0、0.3%、1%、2%时分别为147 730、142 150和138 250分别为5%。接下来讨论通过JLBO算法获得的性能参数的仿真曲线，包括RES发电、电池组中的能量存储状态和TAC值以及它们的收敛在任何时刻消费者负载的满足主要取决于RES发电和电池组中存储的能量的程度。图图9和图10分别呈现了PV板和WT每小时产生的功率，以及考虑到各种LPSP最大值的PV-WT电池HRES在一年中和在一年的前8天期间电池组中的预期存储能量量。如图9（a）所示，在LPSPmax值为5%和2%时产生最大PV功率，其中Npv分别为174和168。PV板产生的最小功率量是在LPSPmax = 0.3%时，其中Npv= 144。在图9（b）中，由于Nwt的数量相等，即14，因此WT产生的最高功率对于0和0.3%的LPSPmax值具有类似的分布对于PV-WT-电池混合动力系统，当安装的WT数量为3时，在LPSPmax电池组中存储的预期能量在一年中，第一个8天的一年绘制在图。图9（c）和图10（c）分别示出了在五个不同的LPSP最 大值下的曲线。据发现，大量的能量被存储在LPSPmax = 0，因为大量的安装电池（Nb= 179