Enhanced RIME-Based Energy Management Strategy for Techno-Economic Optimization of Standalone Hybrid Micro-grid

技术摘要：用于独立混合微网技术经济优化的增强型 RIME 能源管理策略

问题陈述
将可再生能源（RES）整合到孤立的离网社区中，需要高效的方法来进行独立混合微网的最优选型。由于太阳能和风能资源的间歇性，这些系统在平衡供需方面面临重大挑战。本研究解决的核心技术挑战是包含光伏（PV）组件、风力涡轮机（WT）、燃料电池（FC）和电池储能系统（BESS）的混合系统最优选型问题。这构成了一个复杂的、非线性的、非凸的、混合整数且受约束的优化问题。经典的优化方法在处理此类高维问题（在本案例中为 42 维整数模型）时，往往无法在合理的计算时间内找到全局最优解。虽然元启发式算法如粒子群优化（PSO）和最近提出的 RIME（蜫蜓优化）算法提供了替代方案，但在应用于复杂的受约束设计空间时，它们可能会出现过早收敛、种群多样性丧失以及陷入局部最优的问题。

方法论
本研究提出了一个综合的技术经济框架，并将其应用于位于埃及苏伊士湾扎法拉纳（Zafarana）站点的独立混合微网。系统架构通过特定的转换器和逆变器连接发电和储能子系统（PV、WT、FC、BESS），通过公共直流母线进行功率管理。

1. 系统建模：

   • 发电： PV 输出基于辐照度和温度进行建模；WT 输出遵循分段功率曲线；FC 作为可调度发电机运行。
   • 储能： 采用了双重储能建模方法，包括用于短期缓冲的 BESS 以及用于长期储能的氢储能系统（电解槽和 H₂ 储罐）。
   • 约束条件： 优化过程强制执行四个代表性运行场景（夏季/冬季、白天/黑夜）下的功率平衡、年度能量充足性、组件兼容性以及至少 3 天的电池备用时长。
   • 目标： 目标是在 20 年的项目周期内最小化总生命周期成本（资本、安装及运维成本）。

2. 提出的算法 (E-RIME)：
   作者引入了增强型 RIME（E-RIME）算法，以解决基准 RIME 和 PSO 的局限性。E-RIME 在标准 RIME 搜索循环中集成了四种特定的增强机制：

   • 帐篷混沌初始化（Tent Chaotic Initialization）： 取代随机初始化，以提高种群多样性和搜索空间覆盖率。
   • 反向学习（Opposition-Based Learning, OBL）： 在初始化期间评估相反的候选解，以保留更高质量的个体。
   • 自适应非线性参数控制： 利用余弦衰减函数来管理从勘探（exploration）到开发（exploitation）的过渡。
   • 停滞重启机制（Stagnation Restart Mechanism）： 定期重新初始化性能较差的智能体，以防止过早收敛并保持多样性。

3. 实验设置：
   E-RIME 的性能在相同条件下与基准 RIME 和 PSO 进行了比较：采用 60 个搜索智能体、30 次独立运行，并设置了不同的迭代预算（20、100 和 300 次迭代）。

关键结果

• 收敛性能： E-RIME 展示了最快的收敛速度，尤其是在有限的计算预算（20 次迭代）下。虽然基准 RIME 和 PSO 的初始改进较慢，但 E-RIME 在搜索过程早期便始终保持着较低的生命周期成本。
• 生命周期成本最小化： 在所有迭代预算下，E-RIME 均实现了最低的总生命周期成本。
  • 在 20 次迭代时：E-RIME ($2.0967 \times 10^6$) 显著优于 PSO ($2.3787 \times 10^6$) 和 RIME ($2.5613 \times 10^6$)。
  • 在 300 次迭代时：E-RIME 达到了最终最低成本 ($1.2581 \times 10^6$)，随后是 RIME ($1.4129 \times 10^6$) 和 PSO ($2.1805 \times 10^6$)。值得注意的是，PSO 的成本在 100 到 300 次迭代之间略有增加，这表明其在长时间搜索过程中难以精细化解。
• 最优组件选型： E-RIME 算法确定的最优配置由光伏组件（类型 3）和燃料电池（类型 1）主导。至关重要的是，优化器选择了零台风力涡轮机单元，这表明在特定的技术经济假设和扎法拉纳站点条件下，风能发电并不具备成本效益。该方案包含了大量的电池储能（类型 1–3），并充分利用了逆变器和转换器的容量。
• 系统运行： 24 小时功率平衡分析显示，燃料电池提供恒定的基荷，而 PV 在白天时间段做出贡献。电池系统主要处于连续充电模式，吸收过剩发电量，证实了系统能够通过稳定的供应满足负载需求。

意义与主张
本文声称，所提出的 E-RIME 框架是解决大规模、混合整数混合微网选型问题的有效且稳健的解决方案。研究断言，集成混沌初始化、OBL、自适应参数控制和停滞重启机制成功增强了勘探与开发之间的平衡，从而与成熟的元启发式算法（如 PSO 和基准 RIME）相比，实现了更优的解质量和更快的收敛速度。

作者强调，E-RIME 特别适用于需要快速收敛的受限计算预算应用场景，同时能够在扩展搜索场景中保持寻找更优全局最优解的能力。研究结果证实了该方法在最小化独立可再生能源系统生命周期成本方面的有效性。

局限性与未来工作
研究承认其结果是基于确定性的可再生资源和负载数据，未明确对组件退化、不确定性或随机运行条件进行建模。作者建议，未来的研究应纳入不确定性建模、考虑退化的生命周期评估以及实时能源管理策略，以进一步增强该框架的实际应用能力。