鄧立寶, 吳怡然, 郭 蘇
(1.哈爾濱工業(yè)大學(xué)(威海) 信息科學(xué)與工程學(xué)院,山東 威海 264209; 2.河海大學(xué) 能源與電氣學(xué)院,江蘇 南京 210098)
塔式太陽(yáng)能發(fā)電是一種具有廣闊發(fā)展前景的新能源技術(shù)。在塔式系統(tǒng)中,定日鏡場(chǎng)成本約占總投資成本的40%~50%,其布局方式直接影響到整個(gè)鏡場(chǎng)的集熱效率,優(yōu)化定日鏡場(chǎng)布局十分必要。
目前對(duì)定日鏡場(chǎng)布局的研究多為單目標(biāo),優(yōu)化問(wèn)題常見(jiàn)的目標(biāo)函數(shù)有年均加權(quán)光學(xué)效率、平均能源成本等,然而單目標(biāo)無(wú)法為決策者提供多而優(yōu)的選擇方案。Richter等[1]將發(fā)電量、密度分布、均勻性3個(gè)目標(biāo)函數(shù)聚合轉(zhuǎn)化為單目標(biāo)問(wèn)題求解,然而這種方法要求決策者有足夠的先驗(yàn)知識(shí)。張宏麗等[2]基于多目標(biāo)遺傳算法將單位能量成本與投資成本作為多目標(biāo)函數(shù),得到了兩者之間的關(guān)系??傮w來(lái)說(shuō),國(guó)內(nèi)外缺乏對(duì)定日鏡場(chǎng)布局的多目標(biāo)優(yōu)化研究。
多目標(biāo)進(jìn)化算法(multi-objective evolutionary algorithm, MOEA)基于種群進(jìn)化的并行性,每次迭代能求得一組 Pareto最優(yōu)解集。典型MOEA有非支配排序遺傳算法(NSGA-II)[3]、多目標(biāo)粒子群算法(MOPSO)、改進(jìn)的強(qiáng)度帕累托進(jìn)化算法(SPEAII)[4]以及由張青富等[5]提出的基于分解的多目標(biāo)進(jìn)化算法(MOEA/D)。 MOEA/D收斂速度快,解集分布性好,被廣泛應(yīng)用到工程實(shí)際中[6]。近年來(lái)許多學(xué)者提出了對(duì)MOEA/D的改進(jìn)算法,主要有:1)改進(jìn)權(quán)重生成策略;2)改進(jìn)子問(wèn)題分解方法;3)采用效率更高的計(jì)算資源分配方法;4)采用不同的進(jìn)化繁殖策略。
筆者在MOEA/D基礎(chǔ)上對(duì)種群初始化、變異交叉因子以及歸一化目標(biāo)函數(shù)進(jìn)行改進(jìn),并建立橢圓形定日鏡場(chǎng)優(yōu)化模型,提出了基于改進(jìn)的MOEA/D多目標(biāo)定日鏡場(chǎng)布局優(yōu)化算法。實(shí)驗(yàn)表明,改進(jìn)的MOEA/D在定日鏡場(chǎng)布局問(wèn)題上表現(xiàn)明顯優(yōu)于NSGA-II算法和基本MOEA/D算法。
ΔRmin=DMcos 30°-h≈DMcos 30°=
(1)
圖1 徑向交錯(cuò)布局Figure 1 Diagram of radial staggered configuration
第一排定日鏡的半徑R1與塔高Ht的比值通常為0.75。R1確定后,由式(2)可得第一排相鄰定日鏡的角間距Δαz1,根據(jù)式(3)可得區(qū)域一每排定日鏡的數(shù)量Nhel1。
Δαz1=2arcsin[DM/(2R1)]≈DM/R1;
(2)
Nhel1=2π/Δαz1=2πR1/DM。
(3)
同一排相鄰定日鏡的方位間距隨每排半徑的增加而增加,當(dāng)兩定日鏡間可再放一臺(tái)新的定日鏡時(shí),一個(gè)區(qū)域布置完成,開(kāi)始排布下一個(gè)新的區(qū)域,因此,第二、第三個(gè)區(qū)域第一排相鄰定日鏡的方位角間距分別為:
Δαz2=Δαz1/2≈DM/R2?
R2≈2(DM/Δαz1)=2R1;
(4)
Δαz3=Δαz1/4≈DM/R3?
R3≈4(DM/Δαz1)=4R1。
(5)
每個(gè)區(qū)域的定日鏡排數(shù)分別為:
Nrows1=(R2-R1)/ΔRmin≈round(R1/ΔRmin);
(6)
Nrows2=(R3-R2)/ΔRmin=2·R1/ΔRmin;
(7)
Nrows3=(R4-R3)/ΔRmin=4·R1/ΔRmin。
(8)
本實(shí)驗(yàn)主要算例參數(shù):塔高120 m,第一排半徑為87.5 m,第一區(qū)域共6排,每排放置35臺(tái)定日鏡;第二區(qū)域共12排,每排70面定日鏡;第三區(qū)域共25排,每排140面定日鏡。一共4 550臺(tái)定日鏡,最大半徑676 m,占地面積為1.435 6×106m2。為了證明所提方法在小型鏡場(chǎng)中同樣有效,補(bǔ)充算例二:塔高80 m,第一排半徑60 m, 第一區(qū)域4排,每排24面定日鏡;第二區(qū)域8排,每排48面定日鏡;第三區(qū)域16排,每排96面定日鏡。一共2 016面定日鏡,最大半徑為444 m,占地面積為6.193 21×105m2。
任意時(shí)刻每一面定日鏡的光學(xué)效率為:
ηopt=ηcosηatmηrefηintηs&b,
(9)
式中:ηcos為余弦效率,即入射光線(xiàn)與鏡面法線(xiàn)夾角的余弦值;ηatm為大氣衰減效率,由大氣散射與吸收引起,采用Biggs等[8]提出的公式計(jì)算;ηref為鏡面反射率,由定日鏡本身材料結(jié)構(gòu)決定;ηint為攔截效率,是接收器接收到的太陽(yáng)輻射與定日鏡反射太陽(yáng)輻射的比值,與定日鏡跟蹤誤差、太陽(yáng)形狀誤差、像散誤差等有關(guān),計(jì)算方法參見(jiàn)文獻(xiàn)[9];ηs&b為陰影遮擋效率,采用Sassi[10]提出的幾何投影法來(lái)計(jì)算。
定日鏡場(chǎng)年均綜合光學(xué)效率計(jì)算公式如下:
(10)
式中:ts、tr分別為日落和日出時(shí)間。
定日鏡場(chǎng)占地面積計(jì)算公式如下:
Sarea=π×amax×bmax,
(11)
式中:amax、bmax分別代表定日鏡場(chǎng)最外圈橢圓的長(zhǎng)軸和短軸的長(zhǎng)度。
在北半球,接收塔北面的定日鏡余弦效率更高而陰影遮擋損失嚴(yán)重;太陽(yáng)高度角比較小的時(shí)候,靠近東西軸方向的定日鏡陰影遮擋損失更嚴(yán)重。為了提高布局的靈活性,筆者提出橢圓形定日鏡場(chǎng)布局, 每一圈定日鏡在x、y軸方向的增量為:
(12)
式中:xaj,xbj∈[0,3DM]。
圓形是橢圓形布局的一種特例,橢圓布局能夠讓每一面定日鏡更有可能排布在其光學(xué)效率最優(yōu)的位置。多目標(biāo)定日鏡場(chǎng)布局優(yōu)化模型為:
minF=(f1,f2),
(13)
式中:
f1=Sarea=πamaxbmax;
(14)
(15)
基于分解的多目標(biāo)進(jìn)化算法MOEA/D 根據(jù)一組預(yù)先生成的均勻權(quán)重向量將多目標(biāo)問(wèn)題分解為一系列單目標(biāo)子問(wèn)題,每個(gè)子問(wèn)題的最優(yōu)解對(duì)應(yīng)于Pareto前沿面上的一個(gè)解。這些單目標(biāo)子問(wèn)題充分利用鄰域子問(wèn)題當(dāng)前解提供的信息,用基于種群的進(jìn)化算法共同迭代進(jìn)化。
分解方法是MOEA/D的核心部分,有權(quán)重聚合法、切比雪夫加權(quán)法、基于懲罰的邊界交叉法[5]。其中,切比雪夫加權(quán)法既能處理Pareto面為凸形又能解決其為凹形的問(wèn)題。采用該方法,每個(gè)待優(yōu)化的子問(wèn)題可以表示為如下形式:
(16)
2.2.1 初始種群生成策略的改進(jìn)
佳點(diǎn)集法[11]:初始種群的質(zhì)量對(duì)遺傳算法的全局收斂性和算法的搜索效率有直接影響。用基于佳點(diǎn)集理論的取點(diǎn)法代替隨機(jī)法可以使個(gè)體在解空間中更加可靠地均勻分布,提高算法穩(wěn)定性。
在t維空間取佳點(diǎn)的方法如下:
Pn(k)={({r1·k},…,{ri·k},…,{rt·k}),
k=1,2,…,m},
(17)
(18)
式中:1≤i≤t,1≤k≤m,t是空間的維數(shù),m是取點(diǎn)數(shù)。
用以上兩種方法在一個(gè)單位二維空間取400個(gè)點(diǎn)。如圖2所示,隨機(jī)法生成的點(diǎn)分布比較雜亂,密度不均勻,并且會(huì)出現(xiàn)多點(diǎn)重合的現(xiàn)象,而用佳點(diǎn)集法沒(méi)有以上問(wèn)題。
圖2 初始種群生成策略比較Figure 2 Comparison between two initial population generation strategies
2.2.2 目標(biāo)函數(shù)值穩(wěn)定歸一化
實(shí)際問(wèn)題的目標(biāo)函數(shù)一般有不同的量綱, 其目標(biāo)值也在不同的數(shù)量級(jí)上。本例中,若采用未歸一化的MOEA/D算法,將總是向最小化占地面積方向進(jìn)化,僅能得到邊界幾個(gè)Pareto解。為了解決這一問(wèn)題,現(xiàn)有研究常采用動(dòng)態(tài)更新參考點(diǎn)的方法,即用每一次迭代得到的目標(biāo)函數(shù)最大值和最小值對(duì)目標(biāo)函數(shù)歸一化。然而這一方法使原目標(biāo)函數(shù)動(dòng)態(tài)變化,算法進(jìn)化不穩(wěn)定。
針對(duì)定日鏡場(chǎng)布局這一具體問(wèn)題,通過(guò)第一部分的分析可知:鏡場(chǎng)在最密布局時(shí),占地面積最小(算例一:1.435 6×106m2,算例二:6.193 21×105m2),綜合光學(xué)效率最低(算例一:0.454 8,算例二:0.464 7)。采用簡(jiǎn)單單目標(biāo)優(yōu)化算法得到最高光學(xué)效率,具體過(guò)程不再贅述,得到最大效率值(算例一:0.547 7,算例二:0.589 7),此時(shí)占地面積算例一:4.599 4×106m2,算例二:2.435 6×106m2。 Pareto前沿各目標(biāo)函數(shù)最小值、最大值為(下式為算例一,算例二類(lèi)似):
(19)
目標(biāo)函數(shù)穩(wěn)定歸一化表示為:
(20)
2.2.3 動(dòng)態(tài)交叉因子
(21)
(22)
式中:γ為遺傳交叉分布指數(shù),當(dāng)γ值較大時(shí),生成的子代離父代較近,反之離父代較遠(yuǎn)。在進(jìn)化初始階段,應(yīng)采用較小的交叉分布指數(shù),提高種群多樣性;在進(jìn)化后期,應(yīng)縮小搜索范圍,加快收斂速度?;诖怂枷?,筆者采用動(dòng)態(tài)的交叉分布指數(shù),γ由當(dāng)前代數(shù)決定。計(jì)算公式如下:
γ=γo+ξ·normrnd(μ,σ),
(23)
式中:初始值γo為2;高斯隨機(jī)函數(shù)的均值μ=1;方差σ=1;ξ是用來(lái)控制隨機(jī)擾動(dòng)幅度的步長(zhǎng),用S型對(duì)數(shù)函數(shù)確定,
(24)
式中:T為最大迭代次數(shù);t為當(dāng)前代數(shù);k用來(lái)控制變化速率,此處取k=20。
步驟1初始化。
(1)設(shè)置EP=?。初始化迭代次數(shù)Gen=0。采用上文2.2.2部分介紹的方法設(shè)置參考點(diǎn)。
(2)初始化權(quán)重向量。計(jì)算權(quán)重向量之間的歐幾里得距離,距離權(quán)重向量i最近的T個(gè)權(quán)重的索引集記為:B(i)=[i1,…,iT],則λi1,…,λiT對(duì)應(yīng)為λi的T個(gè)相鄰權(quán)重向量。
(3)生成初始種群。在決策空間利用佳點(diǎn)集生成一個(gè)初始種群Pop1,采用反向?qū)W習(xí)策略生成它的反向種群Pop2,選取適應(yīng)度好的個(gè)體組成算法的初始種群。
步驟2遺傳進(jìn)化。從B(i)中隨機(jī)選取r1,r2,且r1≠r2≠i。根據(jù)式(21)、(22)進(jìn)行模擬二進(jìn)制交叉,其中交叉分布指數(shù)由式(23)、(24)確定。接著進(jìn)行多項(xiàng)式變異。對(duì)變異生成的個(gè)體進(jìn)行范圍修正。
步驟3更新鄰域子問(wèn)題的解,更新外部存檔集。
步驟4判斷迭代停止條件。
步驟5輸出結(jié)果,輸出目標(biāo)值和對(duì)應(yīng)Pareto最優(yōu)解集,并采用模糊隸屬度函數(shù)得到最優(yōu)折中解。
為驗(yàn)證提出算法的有效性,對(duì)兩種不同規(guī)模的定日鏡場(chǎng)進(jìn)行多目標(biāo)優(yōu)化布局。同時(shí),將所述算法得到的結(jié)果與基本MOEA/D以及NSGA-II算法得到的結(jié)果進(jìn)行比較。本實(shí)驗(yàn)基于多目標(biāo)進(jìn)化PlatEMO平臺(tái)[13]。
定日鏡場(chǎng)具體參數(shù)見(jiàn)表1。算法種群大小均為N=100;最大迭代次數(shù)為Gmax=300;MOEA/D鄰域大小T=20; 遺傳算法各控制參數(shù)已在上文指出。其中,基本MOEA/D和NSGA-II的固定遺傳交叉分布指數(shù)為20,參見(jiàn)文獻(xiàn)[3,5]。每個(gè)算法獨(dú)立運(yùn)行10次。
表1 定日鏡場(chǎng)參數(shù)Table 1 Parameters of the heliostat field
Hypervolume(HV)超體積指標(biāo)由解集中的個(gè)體與參考點(diǎn)在目標(biāo)空間中所圍成的超立方體的體積計(jì)算得到。用HV可以綜合評(píng)價(jià)解集的收斂性與分布性,HV值越大,說(shuō)明算法的綜合性能越好。
(25)
式中:λ代表勒貝格測(cè)度;υi代表參考點(diǎn)和非支配個(gè)體構(gòu)成的超體積;S代表非支配集。
獲得Pareto解集后,引入模糊隸屬度函數(shù)表示各個(gè)目標(biāo)的滿(mǎn)意度,模糊隸屬度函數(shù)定義如下:
(26)
對(duì)于每個(gè)解,用下式求其標(biāo)準(zhǔn)化滿(mǎn)意度值:
(27)
式中:M為Pareto解集中解的個(gè)數(shù);Nobj為目標(biāo)函數(shù)個(gè)數(shù)。標(biāo)準(zhǔn)化滿(mǎn)意度最大的解就是最優(yōu)折中解。
算例一:圖3~5分別是3種算法得到的最接近平均HV時(shí)的Pareto前沿圖。紅色星號(hào)代表最優(yōu)折中解。從橫縱坐標(biāo)所在的范圍看,NSGA-II和基本MOEA/D的Pareto前沿局限于較窄的區(qū)域,說(shuō)明這兩種算法容易陷入局部最優(yōu),而MOEA/D-HFL得到的Pareto前沿分布更廣,解集兩端的開(kāi)發(fā)性更好,能提供更多且更高質(zhì)量的方案。 MOEA/D算法得到的Pareto前沿均比NSGA-II得到的前沿分布更加均勻。
圖3 算法NSGA-II所得Pareto前沿Figure 3 Pareto front obtained from NSGA-II algorithm
圖4 基本MOEA/D算法所得Pareto前沿Figure 4 Pareto front obtained from basic MOEA/D algorithm
圖5 算法MOEA/D-HFL所得Pareto前沿Figure 5 Pareto front obtained from MOEA/D-HFL algorithm
表2列出了3種算法得到的極端解和最優(yōu)折中解對(duì)應(yīng)的目標(biāo)函數(shù)值。對(duì)比可知,在極端解方面,MOEA/D-HFL得到的最大光學(xué)效率和最小占地面積均優(yōu)于另兩種算法,其最大光學(xué)效率為0.546 1,最小占地面積為1.523×106m2。在最優(yōu)折中解方面,MOEA/D-HFL得到的最優(yōu)折中解光學(xué)效率最高,為0.527 4,而占地面積略大于基本MOEA/D。NSGA-II得到的折中解占地面積最大, MOEA/D所得光學(xué)效率最低。綜合比較,MOEA/D-HFL得到的極端解和最優(yōu)折中解質(zhì)量最好。圖6是由MOEA/D-HFL最優(yōu)折中解得到的定日鏡場(chǎng)布局圖。
表2 試驗(yàn)結(jié)果(算例一)Table 2 Experimental results (case 1)
圖7為算法在進(jìn)化過(guò)程中HV值變化曲線(xiàn)。NSGA-II在算法搜索前期收斂速度較快,但是后期陷入局部最優(yōu),最后得到的HV明顯低于MOEA/D-HFL;MOEA/D在收斂速度和解集質(zhì)量方面均不理想;而MOEA/D-HFL最終能夠獲得最高的HV。
表3列出了3種算法獨(dú)立運(yùn)行10次得到的HV平均值和標(biāo)準(zhǔn)差。對(duì)比可知,MOEA/D-HFL的HV平均值最大,標(biāo)準(zhǔn)差最小,說(shuō)明其Pareto前沿的收斂性和分布性最好,且算法穩(wěn)定性最佳?;诩腰c(diǎn)集和反向?qū)W習(xí)的初始種群生成策略使得MOEA/D-HFL具有較高的搜索精確度和穩(wěn)定性,目標(biāo)函數(shù)值穩(wěn)定歸一化使其具有更高的魯棒性,交叉分布參數(shù)的動(dòng)態(tài)變化使得進(jìn)化搜索過(guò)程更加高效。 NSGA-II和基本MOEA/D不能獲得理想的Pareto前沿,容易陷入局部最優(yōu),且參考點(diǎn)動(dòng)態(tài)變化使MOEA/D聚合優(yōu)化函數(shù)動(dòng)態(tài)變化,算法不穩(wěn)定。
表3 3種算法在多目標(biāo)定日鏡場(chǎng)布局優(yōu)化問(wèn)題上的HV平均值和標(biāo)準(zhǔn)差(算例一)Table 3 Average and standard deviation of the HV by the three algorithms on multi-objective heliostat field layout optimization (case 1)
算例二:表4為算例二中3種算法得到的極端解和最優(yōu)折中解對(duì)應(yīng)的目標(biāo)函數(shù)值。對(duì)比可知,在極端解方面,MOEA/D-HFL得到的最大光學(xué)效率和最小占地面積值均優(yōu)于另外兩種算法,其最大光學(xué)效率值為0.587 4,最小占地面積為6.363×105m2。在最優(yōu)折中解方面,MOEA/D-HFL得到的光學(xué)效率最高,為0.562 6。 表5列出了3種算法的HV平均值和標(biāo)準(zhǔn)差,對(duì)比可知,MOEA/D-HFL的HV平均值最大,標(biāo)準(zhǔn)差最小,因此可以證明該算法具有更好的收斂性、分布性以及穩(wěn)定性。
表4 試驗(yàn)結(jié)果(算例二)Table 4 Experimental results (case 2)
表5 3種算法在多目標(biāo)定日鏡場(chǎng)布局優(yōu)化問(wèn)題上的HV平均值和標(biāo)準(zhǔn)差(算例二)Table 5 Average and standard deviation of the HV by the three algorithms on multi-objective heliostat field layout optimization (case 2)
綜合對(duì)比考慮,與NSGA-II和基本MOEA/D相比, 筆者提出的MOEA/D-HFL能夠獲得分布性和均勻性更好的Pareto前沿,且極端解和最優(yōu)折中解質(zhì)量更好,能給決策者提供很好的方案。
以定日鏡場(chǎng)年均綜合光學(xué)效率和鏡場(chǎng)占地面積為雙重優(yōu)化目標(biāo),建立了定日鏡場(chǎng)橢圓布局多目標(biāo)優(yōu)化模型。在求解算法上提出了MOEA/D-HFL算法,該算法采用基于佳點(diǎn)集和反向?qū)W習(xí)的初始種群生成策略提高初始種群的質(zhì)量和穩(wěn)定性;采用穩(wěn)定的目標(biāo)函數(shù)值歸一化方法,并且引入交叉分布指數(shù)動(dòng)態(tài)變化機(jī)制,使得算法更加高效。對(duì)比實(shí)驗(yàn)結(jié)果表明,MOEA/D-HFL求得的Pareto前沿面具有更好的分布性和均勻性,更加接近真實(shí)Pareto前沿,能獲得更高質(zhì)量的極端解和折中解,為定日鏡場(chǎng)布局問(wèn)題提供了良好的解決方案。